Ιδρυματικό Αποθετήριο
Πολυτεχνείο Κρήτης
Πολυτεχνείο Κρήτης
EN
|
EL
| URI | http://purl.tuc.gr/dl/dias/EFEE664B-EAEE-4936-B917-FA8FD02B47E8 | - |
| Αναγνωριστικό | https://doi.org/10.26233/heallink.tuc.101778 | - |
| Γλώσσα | en | - |
| Μέγεθος | 106 pages | en |
| Τίτλος | Applications of machine learning methods in spatial analysis of Zinc Data | en |
| Τίτλος | Εφαρμογές μεθόδων μηχανικής μάθησης στη χωρική ανάλυση δεδομένων Ψευδαργύρου | el |
| Δημιουργός | Germanou Maria-Konstantina | en |
| Δημιουργός | Γερμανου Μαρια-Κωνσταντινα | el |
| Συντελεστής [Επιβλέπων Καθηγητής] | Christopoulos Dionysios | en |
| Συντελεστής [Επιβλέπων Καθηγητής] | Χριστοπουλος Διονυσιος | el |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Varouchakis Emmanouil | en |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Βαρουχακης Εμμανουηλ | el |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Lagoudakis Michail | en |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Λαγουδακης Μιχαηλ | el |
| Εκδότης | Πολυτεχνείο Κρήτης | el |
| Εκδότης | Technical University of Crete | en |
| Ακαδημαϊκή Μονάδα | Technical University of Crete::School of Electrical and Computer Engineering | en |
| Ακαδημαϊκή Μονάδα | Πολυτεχνείο Κρήτης::Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών | el |
| Περιγραφή | Προπτυχιακή Διπλωματική Εργασία Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών Πολυτεχνείο Κρήτης, 2024 | el |
| Περίληψη | This thesis explores the integration of geostatistical methods with advanced machine learning techniques for improving spatial data modeling with emphasis on the predic- tion of zinc concentration. It also aims to establish the effectiveness of these methods in refining uncertainty quantification and providing insights into complex spatial depen- dencies. The core methodologies that are employed include Ordinary Kriging (OK), Gaussian Process Regression (GPR), and Self-Organizing Maps (SOMs), selected for their complementary strengths in spatial modeling. OK is a powerful geostatistical baseline that uses variogram modeling to capture spatial correlations, thus provid- ing consistent and interpretable predictions. However, because of the assumptions of linearity it offers limited adaptability for non-linear or heterogeneous spatial struc- tures. GPR introduces a very flexible, non-parametric approach for modeling complex spatial relationships. GPR with an Automatic Relevance Determination Exponential Kernel captures anisotropic spatial dependencies by modeling correlations between lo- cations as a function of their separation distance. The optimized parameters of the kernel through Maximum Likelihood Estimation, ensure accurate predictions of zinc concentrations at unsampled locations and estimates of prediction uncertainty. More- over, SOMs adds value by providing localized neuron-based data clustering leading to neighborhood-specific kriging predictions and enhancing localized anomaly detection capability (although its overall accuracy is similar to that of OK). These results high- light that OK, GPR, and SOM provide an efficient and flexible framework for analyzing spatial data. The combination of these approaches, harmoniously balances predictive accuracy, uncertainty quantification, and detection of local patterns, thus offering a comprehensive toolkit to address challenging tasks of spatial modeling. In conclusion, this thesis demonstrates how geostatistical techniques in combination with machine learning techniques can push the frontiers of spatial analysis. In addition, refining methodological approaches and optimization of parameters will make such techniques amenable to better decision-making for environmental monitoring and resource man- agement. Future work could also focus on further enhancements of these methods or explore novel hybrid models for answering challenges in spatial data analysis. | en |
| 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. | el |
| Τύπος | Διπλωματική Εργασία | el |
| Τύπος | Diploma Work | en |
| Άδεια Χρήσης | http://creativecommons.org/licenses/by/4.0/ | en |
| Ημερομηνία | 2024-12-18 | - |
| Ημερομηνία Δημοσίευσης | 2024 | - |
| Θεματική Κατηγορία | Διπλωματική Εργασία | el |
| Θεματική Κατηγορία | Diploma Work | en |
| Βιβλιογραφική Αναφορά | Maria-Konstantina Germanou, "Applications of machine learning methods in spatial analysis of Zinc Data", Diploma Work, School of Electrical and Computer Engineering, Technical University of Crete, Chania, Greece, 2024 | en |
| Βιβλιογραφική Αναφορά | Μαρία-Κωνσταντίνα Γερμανού, "Εφαρμογές μεθόδων μηχανικής μάθησης στη χωρική ανάλυση δεδομένων Ψευδαργύρου", Διπλωματική Εργασία, Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2024 | el |
Copyright © DIAS 2013
