پیش بینی ریسک دمای پایین با استفاده از یادگیری ماشین: طبقه بندی دودویی دمای روزانه حداقل در سرخس

پیش بینی دقیق دماهای حداقل از اهمیت بسزایی برای جلوگیری از آسیب های مربوط به سرما، به خصوص در زمینه کشاورزی. این مطالعه به هدف طبقه بندی دمای حداقل روز بعد در سرخس، ایران، به دو دسته: زیر یا بالای ۴ درجه سانتی گراد، با استفاده از الگوریتم های یادگیری ماشین نظارت شده می پردازد. مجموعه داده ای از مشاهدات هواشناسی جمع آوری شد، شامل دما، رطوبت، جهت و سرعت باد، فشار، و تابش خورشیدی. داده ها پیش پردازش، نرمال سازی، و بر اساس آستانه ۴ درجه سانتی گراد برچسب گذاری شدند. الگوریتم های مختلف طبقه بندی مانند تحلیل تمایزی خطی (LDA)، تحلیل تمایزی چند جمله ای (QDA)، طبقه بند پشتیبانی بردار (SVC)، همسایه های نزدیک K (KNN)، و شبکه های عصبی مصنوعی (ANN) ارزیابی شدند. عملکرد مدل با استفاده از معیارهای دقت، بازخوانی، دقت، و امتیاز F۱ ارزیابی شد. از میان مدل های آزمایش شده، QDA و ANN بالاترین عملکرد را از خود نشان دادند، به ترتیب با امتیازهای F۱- ۰.۹۴ و ۰.۹۳. نتایج بر جلوه اثربخشی مدل های سبک یادگیری ماشین در طبقه بندی ریسک دمای پایین و پایه ای برای ادغام در سیستم های هشدار زود هنگام برای مناطقی که به سرما حساس هستند، می ایستند.

کلیدواژه ها:

طبقه بندی دمای حداقل ، یادگیری ماشین ، پیش بینی یخبندان ، شبکه های عصبی ، یادگیری نظارت شده