{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3585140"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3585140","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Development of Artificial Neural Networks models for the Prognosis of Rainfall in Representative Locations of Greece","abstract":"Η παρούσα διπλωματική εργασία επικεντρώνεται στην ανάπτυξη μοντέλων Τεχνητών Νευρωνικών Δικτύων (ΤΝΔ) για την πρόβλεψη (πρόγνωση) βροχοπτώσεων σε αντιπροσωπευτικές τοποθεσίες στην Ελλάδα, με την πόλη της Πάτρας να επιλέγεται ως η κύρια περιοχή μελέτης. Η Πάτρα είναι η τρίτη μεγαλύτερη πόλη στην Ελλάδα και η πιο πυκνοκατοικημένη πόλη στην περιοχή της Δυτικής Ελλάδας, καθιστώντας την κρίσιμη τοποθεσία για την πρόβλεψη βροχοπτώσεων λόγω της κλιματικής και αστικής της σημασίας. Η μελέτη χρησιμοποιεί μετεωρολογικά δεδομένα που συλλέχθηκαν από την διαδικτυακή πλατφόρμα Renewables.ninja (https://www.renewables.ninja/) για την περίοδο από το 2000 έως το 2023. Το σύνολο δεδομένων υποβλήθηκε πρώτα σε διεξοδική προεπεξεργασία και στατιστική ανάλυση, συμπεριλαμβανομένων οπτικών αναπαραστάσεων με τη μορφή γραφημάτων, για τον εντοπισμό προτύπων και τάσεων. Μετά την προεπεξεργασία, τα δεδομένα εισήχθησαν στο MATLAB, όπου αναπτύχθηκαν μοντέλα πρόβλεψης βροχοπτώσεων χρησιμοποιώντας την εφαρμογή Τεχνητά Νευρωνικά Δίκτυα και την εφαρμογή Classification Learner. Το σύνολο δεδομένων χωρίστηκε σε δύο υποσύνολα: τα πρώτα 21 έτη (2000–2020) χρησιμοποιήθηκαν για την εκπαίδευση των μοντέλων, ενώ τα τελευταία 2 έτη (2022–2023) διατηρήθηκαν για σκοπούς δοκιμών. Εξερευνήθηκαν αρκετές αρχιτεκτονικές και αλγόριθμοι ταξινόμησης ANN για τον εντοπισμό των πιο ακριβών και αξιόπιστων διαμορφώσεων μοντέλων. Η απόδοση του μοντέλου αξιολογήθηκε χρησιμοποιώντας ευρέως αποδεκτές στατιστικές μετρήσεις, όπως το Root Mean Square Error (RMSE), τον Συντελεστή Συσχέτισης Pearson (R), τον Συντελεστή Προσδιορισμού (R²) και πρόσθετα μέτρα επικύρωσης. Παρέχονται στιγμιότυπα οθόνης και λεπτομερή βήματα της διαδικασίας μοντελοποίησης στο MATLAB για την ενίσχυση της αναπαραγωγιμότητας και της κατανόησης της ροής εργασίας. Τα αποτελέσματα υπογραμμίζουν τις δυνατότητες των προσεγγίσεων που βασίζονται σε ANN για αποτελεσματική πρόβλεψη βροχοπτώσεων στο ελληνικό πλαίσιο και τα μοντέλα με τις καλύτερες επιδόσεις συζητούνται ως προς την ακρίβεια και την πρακτική τους εφαρμογή. Αυτή η έρευνα συμβάλλει στο ευρύτερο πεδίο της υδρολογικής μοντελοποίησης και προσφέρει πληροφορίες για το πώς οι μέθοδοι που βασίζονται σε δεδομένα μπορούν να υποστηρίξουν τη διαχείριση υδατικών πόρων σε τοπική κλίμακα και τα συστήματα έγκαιρης προειδοποίησης.","abstract_html":"Η παρούσα διπλωματική εργασία επικεντρώνεται στην ανάπτυξη μοντέλων Τεχνητών Νευρωνικών Δικτύων (ΤΝΔ) για την πρόβλεψη (πρόγνωση) βροχοπτώσεων σε αντιπροσωπευτικές τοποθεσίες στην Ελλάδα, με την πόλη της Πάτρας να επιλέγεται ως η κύρια περιοχή μελέτης. Η Πάτρα είναι η τρίτη μεγαλύτερη πόλη στην Ελλάδα και η πιο πυκνοκατοικημένη πόλη στην περιοχή της Δυτικής Ελλάδας, καθιστώντας την κρίσιμη τοποθεσία για την πρόβλεψη βροχοπτώσεων λόγω της κλιματικής και αστικής της σημασίας. Η μελέτη χρησιμοποιεί μετεωρολογικά δεδομένα που συλλέχθηκαν από την διαδικτυακή πλατφόρμα Renewables.ninja (https://www.renewables.ninja/) για την περίοδο από το 2000 έως το 2023. Το σύνολο δεδομένων υποβλήθηκε πρώτα σε διεξοδική προεπεξεργασία και στατιστική ανάλυση, συμπεριλαμβανομένων οπτικών αναπαραστάσεων με τη μορφή γραφημάτων, για τον εντοπισμό προτύπων και τάσεων. Μετά την προεπεξεργασία, τα δεδομένα εισήχθησαν στο MATLAB, όπου αναπτύχθηκαν μοντέλα πρόβλεψης βροχοπτώσεων χρησιμοποιώντας την εφαρμογή Τεχνητά Νευρωνικά Δίκτυα και την εφαρμογή Classification Learner. Το σύνολο δεδομένων χωρίστηκε σε δύο υποσύνολα: τα πρώτα 21 έτη (2000–2020) χρησιμοποιήθηκαν για την εκπαίδευση των μοντέλων, ενώ τα τελευταία 2 έτη (2022–2023) διατηρήθηκαν για σκοπούς δοκιμών. Εξερευνήθηκαν αρκετές αρχιτεκτονικές και αλγόριθμοι ταξινόμησης ANN για τον εντοπισμό των πιο ακριβών και αξιόπιστων διαμορφώσεων μοντέλων. Η απόδοση του μοντέλου αξιολογήθηκε χρησιμοποιώντας ευρέως αποδεκτές στατιστικές μετρήσεις, όπως το Root Mean Square Error (RMSE), τον Συντελεστή Συσχέτισης Pearson (R), τον Συντελεστή Προσδιορισμού (R²) και πρόσθετα μέτρα επικύρωσης. Παρέχονται στιγμιότυπα οθόνης και λεπτομερή βήματα της διαδικασίας μοντελοποίησης στο MATLAB για την ενίσχυση της αναπαραγωγιμότητας και της κατανόησης της ροής εργασίας. Τα αποτελέσματα υπογραμμίζουν τις δυνατότητες των προσεγγίσεων που βασίζονται σε ANN για αποτελεσματική πρόβλεψη βροχοπτώσεων στο ελληνικό πλαίσιο και τα μοντέλα με τις καλύτερες επιδόσεις συζητούνται ως προς την ακρίβεια και την πρακτική τους εφαρμογή. Αυτή η έρευνα συμβάλλει στο ευρύτερο πεδίο της υδρολογικής μοντελοποίησης και προσφέρει πληροφορίες για το πώς οι μέθοδοι που βασίζονται σε δεδομένα μπορούν να υποστηρίξουν τη διαχείριση υδατικών πόρων σε τοπική κλίμακα και τα συστήματα έγκαιρης προειδοποίησης.","abstract_has_math":false,"creators":["Ευστρατίου Άννα","Efstratiou Anna"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2025,"date_issued":"2025","date_published":"2025","updated_at":"2026-11-19T06:32:45Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3585140"],"render_values":[{"text":"uoadl:3585140","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3585140","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3585140","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A3585140","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Ευστρατίου Άννα","Efstratiou Anna"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2025"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Θετικές Επιστήμες","Science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3585140","https://pergamos.lib.uoa.gr/uoa/dl/object/3585140"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η παρούσα διπλωματική εργασία επικεντρώνεται στην ανάπτυξη μοντέλων Τεχνητών Νευρωνικών Δικτύων (ΤΝΔ) για την πρόβλεψη (πρόγνωση) βροχοπτώσεων σε αντιπροσωπευτικές τοποθεσίες στην Ελλάδα, με την πόλη της Πάτρας να επιλέγεται ως η κύρια περιοχή μελέτης. Η Πάτρα είναι η τρίτη μεγαλύτερη πόλη στην Ελλάδα και η πιο πυκνοκατοικημένη πόλη στην περιοχή της Δυτικής Ελλάδας, καθιστώντας την κρίσιμη τοποθεσία για την πρόβλεψη βροχοπτώσεων λόγω της κλιματικής και αστικής της σημασίας. Η μελέτη χρησιμοποιεί μετεωρολογικά δεδομένα που συλλέχθηκαν από την διαδικτυακή πλατφόρμα Renewables.ninja (https://www.renewables.ninja/) για την περίοδο από το 2000 έως το 2023. Το σύνολο δεδομένων υποβλήθηκε πρώτα σε διεξοδική προεπεξεργασία και στατιστική ανάλυση, συμπεριλαμβανομένων οπτικών αναπαραστάσεων με τη μορφή γραφημάτων, για τον εντοπισμό προτύπων και τάσεων. Μετά την προεπεξεργασία, τα δεδομένα εισήχθησαν στο MATLAB, όπου αναπτύχθηκαν μοντέλα πρόβλεψης βροχοπτώσεων χρησιμοποιώντας την εφαρμογή Τεχνητά Νευρωνικά Δίκτυα και την εφαρμογή Classification Learner. Το σύνολο δεδομένων χωρίστηκε σε δύο υποσύνολα: τα πρώτα 21 έτη (2000–2020) χρησιμοποιήθηκαν για την εκπαίδευση των μοντέλων, ενώ τα τελευταία 2 έτη (2022–2023) διατηρήθηκαν για σκοπούς δοκιμών. Εξερευνήθηκαν αρκετές αρχιτεκτονικές και αλγόριθμοι ταξινόμησης ANN για τον εντοπισμό των πιο ακριβών και αξιόπιστων διαμορφώσεων μοντέλων. Η απόδοση του μοντέλου αξιολογήθηκε χρησιμοποιώντας ευρέως αποδεκτές στατιστικές μετρήσεις, όπως το Root Mean Square Error (RMSE), τον Συντελεστή Συσχέτισης Pearson (R), τον Συντελεστή Προσδιορισμού (R²) και πρόσθετα μέτρα επικύρωσης. Παρέχονται στιγμιότυπα οθόνης και λεπτομερή βήματα της διαδικασίας μοντελοποίησης στο MATLAB για την ενίσχυση της αναπαραγωγιμότητας και της κατανόησης της ροής εργασίας. Τα αποτελέσματα υπογραμμίζουν τις δυνατότητες των προσεγγίσεων που βασίζονται σε ANN για αποτελεσματική πρόβλεψη βροχοπτώσεων στο ελληνικό πλαίσιο και τα μοντέλα με τις καλύτερες επιδόσεις συζητούνται ως προς την ακρίβεια και την πρακτική τους εφαρμογή. Αυτή η έρευνα συμβάλλει στο ευρύτερο πεδίο της υδρολογικής μοντελοποίησης και προσφέρει πληροφορίες για το πώς οι μέθοδοι που βασίζονται σε δεδομένα μπορούν να υποστηρίξουν τη διαχείριση υδατικών πόρων σε τοπική κλίμακα και τα συστήματα έγκαιρης προειδοποίησης.","This thesis focuses on the development of Artificial Neural Network (ANN) models for the prediction (prognosis) of rainfall in representative locations in Greece, with the city of Patras selected as the primary study area. Patras is the third-largest city in Greece and the most populous city in the region of Western Greece, making it a critical location for rainfall forecasting due to its climatic and urban significance. The study utilizes meteorological data collected from the online platform Renewables.ninja (https://www.renewables.ninja/) for the period spanning from 2000 to 2023. The dataset was first subjected to thorough preprocessing and statistical analysis, including visual representations in the form of graphs, to identify patterns and trends. Following preprocessing, the data was imported into MATLAB, where rainfall prediction models were developed using the Artificial Neural Networks App and the Classification Learner App. The dataset was divided into two subsets: the first 21 years (2000–2020) were used to train the models, while the last 2 years (2022–2023) were reserved for testing purposes. Several ANN architectures and classification algorithms were explored to identify the most accurate and reliable model configurations. Model performance was evaluated using widely accepted statistical metrics, including Root Mean Square Error (RMSE), Pearson Correlation Coefficient (R), Coefficient of Determination (R²), and additional validation measures. Screenshots and detailed steps of the modeling process within MATLAB are provided to enhance reproducibility and understanding of the workflow. The results highlight the potential of ANN-based approaches for effective rainfall prediction in the Greek context, and the best-performing models are discussed in terms of their accuracy and practical applicability. This research contributes to the broader field of hydrological modeling and offers insights into how data-driven methods can support local-scale water resource management and early warning systems."]},{"key":"dc:title","label":"Title","values":["Development of Artificial Neural Networks models for the Prognosis of Rainfall in Representative Locations of Greece"]}]}],"canonical_facts":{"dc:creator":["Ευστρατίου Άννα","Efstratiou Anna"],"dc:date":["2025"],"dc:description":["Η παρούσα διπλωματική εργασία επικεντρώνεται στην ανάπτυξη μοντέλων Τεχνητών Νευρωνικών Δικτύων (ΤΝΔ) για την πρόβλεψη (πρόγνωση) βροχοπτώσεων σε αντιπροσωπευτικές τοποθεσίες στην Ελλάδα, με την πόλη της Πάτρας να επιλέγεται ως η κύρια περιοχή μελέτης. Η Πάτρα είναι η τρίτη μεγαλύτερη πόλη στην Ελλάδα και η πιο πυκνοκατοικημένη πόλη στην περιοχή της Δυτικής Ελλάδας, καθιστώντας την κρίσιμη τοποθεσία για την πρόβλεψη βροχοπτώσεων λόγω της κλιματικής και αστικής της σημασίας. Η μελέτη χρησιμοποιεί μετεωρολογικά δεδομένα που συλλέχθηκαν από την διαδικτυακή πλατφόρμα Renewables.ninja (https://www.renewables.ninja/) για την περίοδο από το 2000 έως το 2023. Το σύνολο δεδομένων υποβλήθηκε πρώτα σε διεξοδική προεπεξεργασία και στατιστική ανάλυση, συμπεριλαμβανομένων οπτικών αναπαραστάσεων με τη μορφή γραφημάτων, για τον εντοπισμό προτύπων και τάσεων. Μετά την προεπεξεργασία, τα δεδομένα εισήχθησαν στο MATLAB, όπου αναπτύχθηκαν μοντέλα πρόβλεψης βροχοπτώσεων χρησιμοποιώντας την εφαρμογή Τεχνητά Νευρωνικά Δίκτυα και την εφαρμογή Classification Learner. Το σύνολο δεδομένων χωρίστηκε σε δύο υποσύνολα: τα πρώτα 21 έτη (2000–2020) χρησιμοποιήθηκαν για την εκπαίδευση των μοντέλων, ενώ τα τελευταία 2 έτη (2022–2023) διατηρήθηκαν για σκοπούς δοκιμών. Εξερευνήθηκαν αρκετές αρχιτεκτονικές και αλγόριθμοι ταξινόμησης ANN για τον εντοπισμό των πιο ακριβών και αξιόπιστων διαμορφώσεων μοντέλων. Η απόδοση του μοντέλου αξιολογήθηκε χρησιμοποιώντας ευρέως αποδεκτές στατιστικές μετρήσεις, όπως το Root Mean Square Error (RMSE), τον Συντελεστή Συσχέτισης Pearson (R), τον Συντελεστή Προσδιορισμού (R²) και πρόσθετα μέτρα επικύρωσης. Παρέχονται στιγμιότυπα οθόνης και λεπτομερή βήματα της διαδικασίας μοντελοποίησης στο MATLAB για την ενίσχυση της αναπαραγωγιμότητας και της κατανόησης της ροής εργασίας. Τα αποτελέσματα υπογραμμίζουν τις δυνατότητες των προσεγγίσεων που βασίζονται σε ANN για αποτελεσματική πρόβλεψη βροχοπτώσεων στο ελληνικό πλαίσιο και τα μοντέλα με τις καλύτερες επιδόσεις συζητούνται ως προς την ακρίβεια και την πρακτική τους εφαρμογή. Αυτή η έρευνα συμβάλλει στο ευρύτερο πεδίο της υδρολογικής μοντελοποίησης και προσφέρει πληροφορίες για το πώς οι μέθοδοι που βασίζονται σε δεδομένα μπορούν να υποστηρίξουν τη διαχείριση υδατικών πόρων σε τοπική κλίμακα και τα συστήματα έγκαιρης προειδοποίησης.","This thesis focuses on the development of Artificial Neural Network (ANN) models for the prediction (prognosis) of rainfall in representative locations in Greece, with the city of Patras selected as the primary study area. Patras is the third-largest city in Greece and the most populous city in the region of Western Greece, making it a critical location for rainfall forecasting due to its climatic and urban significance. The study utilizes meteorological data collected from the online platform Renewables.ninja (https://www.renewables.ninja/) for the period spanning from 2000 to 2023. The dataset was first subjected to thorough preprocessing and statistical analysis, including visual representations in the form of graphs, to identify patterns and trends. Following preprocessing, the data was imported into MATLAB, where rainfall prediction models were developed using the Artificial Neural Networks App and the Classification Learner App. The dataset was divided into two subsets: the first 21 years (2000–2020) were used to train the models, while the last 2 years (2022–2023) were reserved for testing purposes. Several ANN architectures and classification algorithms were explored to identify the most accurate and reliable model configurations. Model performance was evaluated using widely accepted statistical metrics, including Root Mean Square Error (RMSE), Pearson Correlation Coefficient (R), Coefficient of Determination (R²), and additional validation measures. Screenshots and detailed steps of the modeling process within MATLAB are provided to enhance reproducibility and understanding of the workflow. The results highlight the potential of ANN-based approaches for effective rainfall prediction in the Greek context, and the best-performing models are discussed in terms of their accuracy and practical applicability. This research contributes to the broader field of hydrological modeling and offers insights into how data-driven methods can support local-scale water resource management and early warning systems."],"dc:identifier":["uoadl:3585140","https://pergamos.lib.uoa.gr/uoa/dl/object/3585140"],"dc:language":["English"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["Development of Artificial Neural Networks models for the Prognosis of Rainfall in Representative Locations of Greece"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:32:45Z"}