ترمیم داده های مفقود هواشناسی با روش های تکاملی و یادگیری ماشین مطالعه موردی: بارش و دمای ماهانه درازمدت 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.

کلیدواژه ها:

داده مفقود ، شبکه عصبی مصنوعی ، رگرسیون بردار پشتیبان ، کلونی مورچگان ، ژنتیک الگوریتم