ترمیم داده های مفقود هواشناسی با روش های تکاملی و یادگیری ماشین مطالعه موردی: بارش و دمای ماهانه درازمدت مشهد
عنوان مقاله: ترمیم داده های مفقود هواشناسی با روش های تکاملی و یادگیری ماشین مطالعه موردی: بارش و دمای ماهانه درازمدت مشهد
شناسه ملی مقاله: JR_JSW-33-2_012
منتشر شده در در سال 1398
شناسه ملی مقاله: JR_JSW-33-2_012
منتشر شده در در سال 1398
مشخصات نویسندگان مقاله:
محبوبه فرزندی - دانشگاه فردوسی مشهد
سید حسین ثنایی نژاد - دانشگاه فردوسی مشهد
بیژن قهرمان - دانشگاه فردوسی مشهد
مجید سرمد - دانشگاه فردوسی مشهد
خلاصه مقاله:
محبوبه فرزندی - دانشگاه فردوسی مشهد
سید حسین ثنایی نژاد - دانشگاه فردوسی مشهد
بیژن قهرمان - دانشگاه فردوسی مشهد
مجید سرمد - دانشگاه فردوسی مشهد
بارش و دما از مهم ترین متغیرهای هوا و اقلیمشناسی هستند. طول دوره آماری اهمیت بسزایی در دقت تحلیل این دو متغیر دارد. حجم نمونه کمتر از ۱۰۰ سال نمیتواند نوسانات دراز مدت را به خوبی منعکس کند. طولانیترین آمار مربوط به دما و بارش ماهانه مشهد نزدیک به ۱۲۵ سال (از حدود ۱۸۹۳ الی ۲۰۱۷) است. متاسفانه این آمار مفقودی دارد. ترمیم دادههای مفقود و افزایش دقت برآورد آنها هدف این پژوهش است. ایستگاههایی از کشورهای مجاور بهعنوان ایستگاههای مبنا انتخاب شدند. ابتدا دادههای مفقود با برازش ده الگوی رگرسیونی چندگانه برای بارش ماهانه (با ضرایب تعیین ۶۳/۰ تا ۸۱/۰) و شش الگو برای دمای ماهانه (۹۸۶/۰تا ۹۹۳/۰) ترمیم شدند. سپس برای کاهش خطاها، پارامترهای الگوهای رگرسیونی با روشهای GA و ACO بهینه شدند. افزون بر این دو روش ANN و SVR نیز بهمنظور الگوسازی این دادهها نیز بهکار گرفته شدند. نتایج نشان داد GA و ACO دقت برآورد دادههای مفقود بارش را نسبت به روشهای رگرسیونی فوق به طور چشمگیری افزایش میدهد. کمترین RMSE بین تمام الگوهای رگرسیونی بارش ۷۹/۹ میلیمتر است. این معیار با روش GA به ۵۶۰/۲ میلیمتر و با ACO به ۵۵۹/۲ کاهش میبابد. کمترین RMSE بین الگوهای رگرسیونی دما ۹۸۶/۰ میلیمتر است. این معیار با روش ANN به ۷۲۶/۰ میلیمتر و با SVR نیز به ۵۵۱/۰ کاهش میبابد. مقایسه ترمیم دما و بارش نشان میدهد که روشهای تکاملی برای بارش و روشهای یادگیری ماشین برای دما عملکرد بهتری دارند.
کلمات کلیدی: داده مفقود, شبکه عصبی مصنوعی, رگرسیون بردار پشتیبان, کلونی مورچگان, ژنتیک الگوریتم
صفحه اختصاصی مقاله و دریافت فایل کامل: https://civilica.com/doc/1802690/