<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 sup> 57”48α“î”e),Lavreotiki。来自城市气象站(MS)的T数据在37 0 sup> 58//p57“Δn,23 o sup> 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 SUP)而言>)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 SUP>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。 span> p>