ترمیم دادههای مفقود هواشناسی با روشهای تکاملی و یادگیری ماشین مطالعه موردی: بارش و دمای ماهانه درازمدت مشهد
نویسندگان
1 دانشگاه فردوسی مشهد
2 دانشگاه فردوسی مشهد
3 دانشگاه فردوسی مشهد
4 دانشگاه فردوسی مشهد
doi
10.22067/jsw.v33i2.74125چکیده
بارش و دما از مهمترین متغیرهای هوا و اقلیمشناسی هستند. طول دوره آماری اهمیت بسزایی در دقت تحلیل این دو متغیر دارد. حجم نمونه کمتر از 100 سال نمیتواند نوسانات دراز مدت را به خوبی منعکس کند. طولانیترین آمار مربوط به دما و بارش ماهانه مشهد نزدیک به 125 سال (از حدود 1893 الی 2017) 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 63/0 تا 81/0) و شش الگو برای دمای ماهانه (986/0تا 993/0) 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 79/9 میلیمتر است. این معیار با روش GA به 560/2 میلیمتر و با ACO به 559/2 کاهش میبابد. کمترین RMSE بین الگوهای رگرسیونی دما 986/0 میلیمتر است. این معیار با روش ANN به 726/0 میلیمتر و با SVR نیز به 551/0 کاهش میبابد. مقایسه ترمیم دما و بارش نشان میدهد که روشهای تکاملی برای بارش و روشهای یادگیری ماشین برای دما عملکرد بهتری دارند.