Αναζήτηση

Πλοήγηση

• Κοινότητες
• Συγγραφείς
• Έτος
• Τίτλοι
• Θέματα

Ο Χώρος μου

• Είσοδος

Εφαρμογές μεθόδων μηχανικής μάθησης στη χωρική ανάλυση δεδομένων Ψευδαργύρου

Germanou Maria-Konstantina

Πλήρης Εγγραφή

---

Περίληψη

Η παρούσα διπλωματική εργασία διερευνά την ενοποίηση γεωστατιστικών μεθόδων με σύγχρονες τεχνι­ κές μηχανικής μάθησης για τη βελτίωση της χωρικής μοντελοποίησης δεδομένων, με έμφαση στην πρόβλεψη συγκεντρώσεων ψευδαργύρου. Στόχος είναι η αξιολόγηση της αποτελεσματικότητας αυτών των μεθόδων στη βελτίωση των χωρικών προβλέψεων, την ακριβέστερη ποσοτικοποίηση της αβεβαιό­ τητας και την εξαγωγή πολύτιμων πληροφοριών για σύνθετες χωρικές εξαρτήσεις. Οι βασικές μέθοδοι που χρησιμοποιήθηκαν περιλαμβάνουν το Ordinary Kriging (OK), την παλινδρόμηση με Γκαουσσιανές στοχαστικές διαδικασίες, Gaussian Process Regression (GPR), και τους αυτοοργανούμενους χάρτες, Self­Organizing Maps (SOMs). Οι μέθοδοι αυτές επιλέχθηκαν για τις συμπληρωματικές τους δυνατότητες στη χωρική μοντελοποίηση. Το OK αποτελεί μια ισχυρή βασική μεθοδολογία, η οποία αξιοποιεί τη μοντελοποίηση βαριογραμμάτων για την αποτύπωση χωρικών συσχετισμών και την παροχή συνεπών και ερμηνεύσιμων προβλέψεων. Ωστόσο, οι υποθέσεις γραμμικότητας περιορίζουν την προσαρμοστικό­ τητά της σε δεδομένα με μη γραμμικές ή ετερογενείς χωρικές δομές. Το GPR αποτελεί μια ευέλικτη, μη παραμετρική προσέγγιση, ικανή να μοντελοποιήσει σύνθετες χωρικές σχέσεις. Χρησιμοποιώντας τον εκθετικό ARD πυρήνα, το GPR απέδωσε ανισοτροπικές χωρικές εξαρτήσεις, αποτυπώνοντας τις συσχετίσεις μεταξύ τοποθεσιών ως συνάρτηση της απόστασής τους. Η βελτιστοποίηση των παραμέτρων του πυρήνα μέσω της μεθόδου Μέγιστης Πιθανοφάνειας (MLE) εξασφάλισε αξιόπιστες προβλέψεις σε μη δειγματοληπτημένες τοποθεσίες, με ταυτόχρονη εκτίμηση αβεβαιότητας. Επιπλέον, το SOM προσέθεσε αξία με την τοπική ομαδοποίηση δεδομένων σε νευρωνικούς κόμβους, επιτρέποντας προβλέ­ ψεις kriging βασισμένες σε πληροφορίες γειτνίασης. Αυτή η προσέγγιση βελτίωσε την ανίχνευση τοπικών ανωμαλιών και λεπτομερών χωρικών μοτίβων, παρόλο που η συνολική ακρίβεια παρέμεινε συγκρίσιμη με εκείνη του OK. Τα αποτελέσματα υπογραμμίζουν ότι οι μέθοδοι OK, GPR και SOM αποτελούν ένα αποτελεσματικό και ευέλικτο πλαίσιο για την ανάλυση χωρικών δεδομένων. Το OK προσφέρει μια αξιόπιστη προσέγγιση για γενική χωρική παρεμβολή, το GPR ενισχύει την ευελιξία για τη μοντελοποίηση μη γραμμικών τάσεων, και το SOM παρέχει τοπικές βελτιώσεις μέσω ομαδοποίησης. Συνδυαστικά, οι μέθοδοι αυτές εξισορροπούν την ακρίβεια προβλέψεων, την ποσοτικοποίηση αβεβαιότητας και την ανάλυση τοπικών μοτίβων, αποτελώντας ένα ολοκληρωμένο εργαλείο για την αντιμετώπιση απαιτητικών προκλήσεων χωρικής μοντελοποίησης. Συμπερασματικά, η διπλωματική εργασία αποδεικνύει πως η συνδυαστική χρήση γεωστατιστικών μεθόδων και τεχνικών μηχανικής μάθησης μπορεί να επεκτείνει τα όρια της χωρικής ανάλυσης. Η συνεχής βελτίωση μεθοδολογικών προσεγγίσεων και η βελτιστοποίηση παραμέτρων καθιστούν αυτές τις τεχνικές πλέον κατάλληλες για τη λήψη αποφάσεων σε περιβαλλοντική παρακολούθηση και διαχείριση πόρων. Μελλοντική έρευνα μπορεί να επικεντρωθεί στην περαιτέρω εξέλιξη αυτών των μεθόδων ή στην ανάπτυξη νέων υβριδικών μοντέλων που να ανταποκρίνονται στις αυξανόμενες απαιτήσεις χωρικής ανάλυσης δεδομένων.

Διαθέσιμα αρχεία

Υπηρεσίες