بکارگیری تکنیک خوشه بندی در بهبود پیش بینی امواج ناشی از باد (مطالعه موردی: خلیج مکزیک)

در این مطالعه با استفاده از داده های سه ساله هواشناسی شامل سرعت باد میانگین، تندباد، فشار هوا، اختلاف دمای هوا و آب، مدت زمان تداوم وزش باد، طول موجگاه، ارتفاع امواج برای چهار بویه مستقر در خلیج مکزیک پیش بینی شده است. بدین منظور از ترکیب الگوریتم kmeans و شبکه عصبی استفاده گردیده است. در ابتدا جهت حذف تاثیر روند فصلی بر روی محاسبه ارتفاع موج، ترتیب داده های ساعتی ثبت شده به صورت نامنظم در کنار یکدیگر قرار گرفته شدند. سپس داده های هواشناسی با استفاده از الگوریتم kmeans از k=۱ تا k=۱۰ خوشه گروه بندی شدند. خوشه های تفکیک شده هر یک به عنوان ورودی مدل MLP معرفی و میانگین شاخص rmse برای k تا خوشه محاسبه گردید. نتایج نشان داد که در اکثر بویه ها، تعداد خوشه بهینه برای پیش بینی ارتفاع موج، مقادیر بین ۸ تا ۱۰ است. بعلاوه مقایسه نتایج این تحقیق با مطالعات پیشین نشان داد که در تحقیقات گذشته پیش بینی با انتخاب ورودی های ارتفاع امواج ثبت شده بویه های مجاور، به کارگیری تاخیرهای زمانی ارتفاع موج یا برخس از پارامترهای هواشناسی بوده است، درحالی که در این تحقیق جهت افزایش دقت پیش بینی تنها از پارامترهای هواشناسی به عنوان ورودی استفاده شده است که دقت نسبتا مناسبی را داراست. بنابراین کاربرد عملیاتی این مقاله به این صورت است که به کارگیری تکنیک خوشه بندی سبب افزایش دقت تخمین در ارتفاع موج می شود و یافتن مرزهای طبقه بندی داده ها نیازمند به روش های تجربی دقیق تری از روش CEM می باشد.

کلیدواژه ها:

پیش بینی موج ، خلیج مکزیک ، شبکه عصبی مصنوعی ، خوشه بندی