| dc.contributor.advisor | Αποστόλου, Δημήτριος | |
| dc.contributor.author | Κασιμάτης, Χριστόφορος - Νικήτας | |
| dc.date.accessioned | 2023-12-04T09:00:13Z | |
| dc.date.available | 2023-12-04T09:00:13Z | |
| dc.date.issued | 2023-10 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/16046 | |
| dc.identifier.uri | http://dx.doi.org/10.26267/unipi_dione/3468 | |
| dc.description.abstract | Μοντέλα πρόβλεψης χρησιμοποιούνται όλο και περισσότερο λόγω των εξελίξεων στον τομέα της
επιστήμης των υπολογιστών. Η ευρεία διαθεσιμότητα δεδομένων σε συνδυασμό με αλγόριθμους
Μηχανικής Μάθησης επιτρέπει τον συσχετισμό μεταξύ μεταβλητών και την ακριβή πρόβλεψη της
παραγωγής. Δεδομένα που προέρχονται από τη καλλιέργεια βιομηχανικής ντομάτας, η ντομάτα
αποτελεί παγκοσμίως σε συχνότητα παραγωγής αλλά και κατανάλωσης λαχανικό, μπορούν να
χρησιμοποιηθούν με σκοπό την ακριβή πρόβλεψη της παραγωγής. Σε αυτή τη μελέτη αναπτύχθηκε ένα
μοντέλο Μηχανικής Μάθησης, το οποίο μπορεί να προβλέπει την παραγωγή της καλλιέργειας
βιομηχανικής ντομάτας κατά τη διάρκεια της καλλιέργειάς της, βασιζόμενο σε δεδομένα που έχουν
προηγουμένως συλλεχθεί (απόδοση, υβρίδιο που καλλιεργείται και κλιματικές συνθήκες της περιοχής).
Αυτά τα δεδομένα, τα οποία προέρχονται από 302 διαφορετικά χωράφια σε 6 περιοχές της δυτικής
Πελοποννήσου στην Ελλάδα, από το 2019 έως το 2021, δημιουργούν ένα σύνολο από διαφορετικά
χαρακτηριστικά και πάνω από 600 καταγραφές. Για την εύρεση του βέλτιστου αλγορίθμου για το εν
λόγω σύνολο δεδομένων, δοκιμάστηκαν διαφορετικοί αλγόριθμοι σε περισσότερες από 10 μετρήσεις.
Το μοντέλο πρόβλεψης αναπτύχθηκε χρησιμοποιώντας τον αλγόριθμο Ridge. Το τελικό μοντέλο
προέβλεψε την παραγωγή της ντομάτας εντός της περιόδου καλλιέργειας, ενημερώνοντας την
πρόβλεψη μηνιαίως με τη χρήση νέων δεδομένων καιρού για 11 χωράφια κατά την καλλιεργητική
περίοδο του 2022, με τη διαφορά μεταξύ των προβλεπόμενων και των πραγματικών τιμών να κυμαίνεται
από μόλις 6 έως 6,674 κιλά. | el |
| dc.format.extent | 22 | el |
| dc.language.iso | el | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.title | Πρόβλεψη σοδειάς βιομηχανικής τομάτας με μεθόδους μηχανικής μάθησης | el |
| dc.title.alternative | Industrial tomato yield prediction using machine learning | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής | el |
| dc.description.abstractEN | Prediction models are extensively used due to improvements in computer science. The availability of
data combined with machine learning algorithms allows the extraction of feature importance of the
variables and accurate production forecasting. Cultivation data from industrial tomatoes, tomatoes are
one of the most widely produced and consumed vegetables in the world, is used to accurately predict
production. In this thesis, a model has been developed to predict the production of industrial tomato
crops based on previously collected data. Data were collected from different fields in different regions
of the Peloponnese in Greece, over 3 growing seasons. In order to find the optimal algorithm for this
data set, many different algorithms were tested on different measurements. Ridge was used in order to
develop the prediction model. | el |
| dc.contributor.master | Κυβερνοασφάλεια και Επιστήμη Δεδομένων | el |
| dc.subject.keyword | Επιστήμη Δεδομένων | el |
| dc.subject.keyword | Ridge | el |
| dc.subject.keyword | Απόδοση | el |
| dc.subject.keyword | Μηχανική μάθηση | el |
| dc.subject.keyword | Ντομάτα | el |
| dc.subject.keyword | Μοντέλα πρόβλεψης | el |
| dc.subject.keyword | Επιστήμη δεδομένων | el |
| dc.date.defense | 2023-10 | |
