ترمیم داده های مفقود هواشناسی با روش های تکاملی و یادگیری ماشین مطالعه موردی: بارش و دمای ماهانه درازمدت مشهد
محل انتشار: فصلنامه آب و خاک، دوره: 33، شماره: 2
سال انتشار: 1398
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 1,459
فایل این مقاله در 17 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JSW-33-2_012
تاریخ نمایه سازی: 8 آبان 1402
چکیده مقاله:
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.
کلیدواژه ها:
نویسندگان
محبوبه فرزندی
دانشگاه فردوسی مشهد
سید حسین ثنایی نژاد
دانشگاه فردوسی مشهد
بیژن قهرمان
دانشگاه فردوسی مشهد
مجید سرمد
دانشگاه فردوسی مشهد
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :