Η κατανόηση των διακυμάνσεων της ατμοσφαιρικής θερμοκρασίας είναι ζωτικής σημασίας για την αξιολόγηση της κλιματικής αλλαγής, τον γεωργικό σχεδιασμό και τη διαχείριση καταστροφών. Η παρούσα διπλωματική εργασία επικεντρώνεται στην ανάπτυξη μιας εφαρμογής για την αποθήκευση, ανάλυση και πρόβλεψη δεδομένων ατμοσφαιρικής θερμοκρασίας για την Ελλάδα με τη χρήση προηγμένων τεχνικών μηχανικής μάθησης, οι οποίες περιορίστηκαν στην εύρεση μοντέλου πρόβλεψης των τιμών. Η Ελλάδα, με την ποικιλόμορφη γεωγραφία της και το μεσογειακό κλίμα της, παρουσιάζει σημαντικές διακυμάνσεις της θερμοκρασίας στις 13 διοικητικές της περιφέρειες, γεγονός που την καθιστά ιδανικό αντικείμενο για την παρούσα μελέτη.

Η εφαρμογή αξιοποιεί ένα ολοκληρωμένο σύνολο δεδομένων που καλύπτει 20 χρόνια, συμπεριλαμβανομένων των μηνιαίων ελάχιστων, μέγιστων και μέσων θερμοκρασιών για όλες τις περιφέρειες. Αυτό το πλούσιο σύνολο δεδομένων διευκολύνει τη λεπτομερή κατανόηση των διακυμάνσεων της θερμοκρασίας σε ολόκληρη τη χώρα. Τα δεδομένα του πραγματικού κόσμου συχνά περιέχουν ατέλειες, ως εκ τούτου, ανιχνεύθηκαν και αντιμετωπίστηκαν με κατάλληλη μέθοδο οι ακραίες και οι ελλιπείς τιμές, εξασφαλίζοντας αξιόπιστη ανάλυση.

Για βαθύτερη ανάλυση και πρόβλεψη, η εφαρμογή χρησιμοποιεί τεχνικές μηχανικής μάθησης, συγκεκριμένα μοντέλα γραμμικής παλινδρόμησης, για να αναλύσει τις τάσεις της θερμοκρασίας για κάθε περιφέρεια και τιμή (μέση, ελάχιστη και μέγιστη τιμή). Για την επικύρωση των μοντέλων, χρησιμοποιείται ο συντελεστής προσδιορισμού R², ο οποίος μετρά το ποσοστό της μεταβλητότητας της εξαρτημένης μεταβλητής που εξηγείται από τις ανεξάρτητες μεταβλητές.

Η εφαρμογή όχι μόνο αναλύει ιστορικά δεδομένα αλλά και προβλέπει μελλοντικές τιμές θερμοκρασίας για κάθε έτος σε βάθος δεκαετίας, παρέχοντας πολύτιμες πληροφορίες στους ενδιαφερόμενους φορείς για την πρόβλεψη πιθανών ακραίων θερμοκρασιών και τη λήψη τεκμηριωμένων αποφάσεων. Βασικά στατιστικά στοιχεία όπως ο μέσος όρος, η διακύμανση και η διάμεσος υπολογίζονται για να γίνει βαθύτερη κατανόηση των δεδομένων θερμοκρασίας. Δημιουργούνται γραφήματα, συμπεριλαμβανομένων των box plots, για την οπτικοποίηση της κατανομής των θερμοκρασιών σε διάφορες περιοχές και μήνες.

Συνδυάζοντας εκτεταμένα ιστορικά δεδομένα θερμοκρασίας, τεχνικές χειρισμού δεδομένων, μοντέλα μηχανικής μάθησης και ολοκληρωμένες οπτικοποιήσεις, η εφαρμογή στοχεύει να παρέχει ένα ισχυρό εργαλείο για την κατανόηση και την πρόβλεψη των προτύπων ατμοσφαιρικής θερμοκρασίας στην Ελλάδα. Οι πληροφορίες αυτές μπορούν να αξιοποιηθούν από ερευνητές, μετεωρολόγους και υπεύθυνους χάραξης πολιτικής για την κατανόηση των προηγούμενων κλιματικών τάσεων, την πρόβλεψη μελλοντικών αλλαγών και την ανάπτυξη αποτελεσματικών στρατηγικών για τον μετριασμό των επιπτώσεων της κλιματικής αλλαγής.

Understanding atmospheric temperature variations is crucial for climate change assessment, agricultural planning, and disaster management. This thesis focuses on developing an application to store, analyze, and predict atmospheric temperature data for Greece using advanced machine learning techniques, which were limited to finding a model to predict values. Greece, with its diverse geography and Mediterranean climate, experiences significant temperature variations across its 13 administrative regions, making it an ideal subject for this study.

The application leverages a comprehensive dataset covering 20 years, including monthly minimum, maximum, and mean temperatures for all regions. This rich dataset facilitates a detailed understanding of temperature variations across the country. Real-world data often contains imperfections, therefore, outliers and incomplete values were detected and treated appropriately, ensuring reliable analysis.

For in-depth analysis and prediction, the application uses machine learning, specifically linear regression models, to analyze temperature trends for each region and metric (average, minimum, maximum). To validate the models, the coefficient of determination R² is used, which measures the percentage of variability of the dependent variable explained by the independent variables.

The application not only analyzes historical data but also predicts future temperature values for each year over a ten-year period, providing valuable information for stakeholders to predict potential temperature extremes and make informed decisions. Key statistics such as mean, variance, and median are calculated to gain a deeper understanding of the temperature data. Graphs, including box plots, are created to visualize the distribution of temperatures across different regions and months.

By combining extensive historical temperature data, robust data manipulation techniques, powerful machine learning models, and comprehensive visualizations, the application aims to provide a powerful tool for understanding and predicting atmospheric temperature patterns in Greece. This information can be utilized by researchers, meteorologists, and policymakers to understand past climate trends, forecast future changes, and develop effective strategies to mitigate the impacts of climate change.