مقایسه روش های کریجینگ و GWR در پر کردن گپ داده AOD الگوریتم MAIAC

عمق نوری هواویز (AOD) پارامتری ضروری در مطالعات جوی است. رخداد گپ در داده MAIAC، به عنوان یکی از مهم ترین منابع داده AOD، مانع تجزیه و تحلیل دقیق در تحقیقات می شود. در مطالعات گذشته، اغلب از الگوریتم های پیچیده و روش های یادگیری عمیق استفاده شده که با وجود دقت بالا، نیاز به حجم زیادی از داده های آموزشی و محاسبات سنگین دارند. در مقابل، در تحقیق حاضر با استفاده از داده های شبیه سازی شده، نتایج قابل قبولی بدست آمده و داده های کمتری نیاز است. در این تحقیق با هدف بررسی تاثیر اندازه گپ و فاصله و تعداد همسایگی، در پر کردن گپ AOD، و بررسی توانایی دو روش GWR و کریجینگ، داده ها شبیه سازی شدند. نتایج نشان می دهد که GWR از نظر دقت در اندازه های مختلف گپ از Kriging بهتر عمل می کند. GWR بهبود در حدود ۳۰-۵۰٪ در RMSE و ۱۰-۲۰٪ در MAE را در مقایسه با Kriging در گپ های مختلف نشان می دهد. اما کریجینگ حساسیت بیشتری نسبت به اندازه گپ و فاصله و تعداد همسایه ها نشان می دهد و نتایج بدتری در گپ های بزرگتر نشان می دهد. بر اساس نتایج بدست آمده، هر دو روش با افزایش اندازه گپ دقت کمتری ارائه می دهند، اما GWR عملکرد قابل اعتمادتر و پایدارتری نشان داد.

کلیدواژه ها:

گپ داده ها ، AOD ، MAIAC ، کریجینگ ، GWR