پیش بینی دمای کمینه و بیشینه با استفاده از ماشین تعقیب کننده

پیش بینی دمای کمینه و بیشینه روزانه برای کاهش خسارت در زمینه های کشاورزی، آب و دام پروری قابل توجه است. در این پژوهش با استفاده از یادگیری ماشین تعقیب کننده با استفاده ازکمترین مربعات خطای طیفی شبه فوریه-سری زمانی، با یک دوره آموزشی ۱۰۰ روزه، دمای کمینه و بیشینه روزانه پیش بینی شد. در این راستا از داده های بیش از ۵۰۰ ایستگاه هواشناسی در سراسر کشور در یک دوره دوساله استفاده شد. پیش بینی های روش یادگیری ماشین با خروجی مدل عددیWRF با یکدیگر و با مشاهدات مقایسه، و توانای آنها با نمره مهارت ارزیابی شد. نتایج نشان داد که پیاده سازی روش الگوریتم یادگیری ماشین در پیش بینی های کوتاه مدت موفق بوده ومتوسط نمره مهارت بیش از ۶/۰ بوده است. این در حالی است که به طور متوسط نمره مهارت برای مدل WRF تقریبا ۰۱/۰ است. مزیت اصلی این روش نسبت به مدلWRF این است که از پیچیدگی محاسباتی کمتری برخودار است و در محاسبات فقط از داده های ۱۰۰ روز گذشته بهره مند می شود. مزیت دیگر این روش استفاده از یک الگوریتم یادگیری ماشین با حافظه کوتاه مدت است که تاثیر نامطلوب فقدان طولانی مدت داده ها در سری زمانی دوره آموزش را بر خروجی پیش بینی ها کاهش می دهد. در این روش با هزینه محاسباتی کمتر و در زمانی بسیار کوتاه می توان، پیش بینی های کوتاه مدت (۲۴، ۴۸ و ۷۲ ساعته) دمای کمینه و بیشینه را برای سراسر نقاط ایستگاهی کشور با دقت مناسبی ارائه داد.

Keywords:

خطای طیفی , , سری زمانی , , مدل WRF , , نمره مهارت , , , , یادگیری ماشین