<跨度样式=“Font-Family：Arial，Helvetica，Sans-Serif”>应用线性回归（LR）和人工神经网络（ANN）模型的效率来估算玻璃池的内部气温（T）（在本作工作中研究了37“20”“20”→“20”ΓN，23 ^{O 57”48α“î”e），Lavreotiki。来自城市气象站（MS）的T数据在37 0 58//p57“Δn，23 o 32/32“e，雅典，阿提卡，希腊距离Glasshouse约30公里，用作预测因子，考虑到实际测量时间（ATM）和2小时之前（ATM-2），具体取决于案件。在每个检查区域（Glasshouse和MS）中监测空气温度数据四个连续几个月（7月至10月），并将两小时的平均值用于上述估算。结果表明，根据LR模型，ANN比LR模型更好，如玻璃料玻璃容器的观察到与玻璃间T数据的分布的散点图所示，就较高的测定系数（R 2 ）和较低的平均绝对误差（MAE）。通过使用ATM和来自MS的ATM-2 AT ATM-2的T AT AT AT AT AT AT AT AT AT AT AT AT AT AT AT AT AT AT AT AT AT AT AT的T型T，最佳ANN模型（最高R 2 和最低MAE）。我们的研究结果可能是朝着希腊在远程MS的外部数据的玻璃室内估计的第一步。因此，可以显着提高玻璃容器的操作。}