ترمیم داده‌های مفقود هواشناسی با روش‌های تکاملی و یادگیری ماشین مطالعه موردی: بارش و دمای ماهانه درازمدت مشهد

آب و خاک

مقاله 12، دوره 33، شماره 2 - شماره پیاپی 64، خرداد 1398، صفحه 361-377   

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jsw.v33i2.74125

نویسندگان

محبوبه فرزندی؛ سید حسین ثنایی نژاد^* ؛ بیژن قهرمان؛ مجید سرمد

دانشگاه فردوسی مشهد

چکیده

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.

کلیدواژه‌ها

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

مراجع

1- Arghami N.R., Sanjari N., and Bozorgnia A. 2010. Elementary Survey Sampling, Mashhad University Pub, pp 435.

2- Dastorani M.T., Moghadamnia A., Piri J., and Rico-Ramirez M. 2010. Application of ANN and ANFIS models for reconstructing missing flow data. Environmental Monitoring and Assessment 166(1-4): 421-434.‏

3- Dingman S.L. 2002. Physical Hydrology, Second Edition, PRENTICE HALL.

4- Dipak V.P., and Bichkar R.S. 2010. Multiple Imputation of Missing Data with Genetic Algorithm based Techniques, IJCA Special Issue on Evolutionary Computation for Optimization Techniques.

5- El Assaad H., Same A., Govaert G., and Aknin P. 2016. A variational Expectation–Maximization algorithm for temporal data clustering, Computational Statistics and Data Analysis 103: 206–228.

6- Farzandi M., Rezaee-Pazhand H., and Sanaeinejad H. 2014. Restoration and development of 127 years of monthly temperature in Mashhad, Journal of Climate Research 5(17&18): 123-111. (In Persian with English abstract)

7- Ghahraman B., and Ahmadi F. 2007. Application of Geo statistics in Time series: Mashhad Annual Rainfall, Iran-Watershed Management Science & Engineering 1(1): 7-15.

8- Golabi M.R., Akhond-Ali A.M., and Radmanesh F. 2013. Comparison of performance of different artificial neural network algorithms, Journal of Applied Geosciences Research 30: 131-169. (In Persian)

9- Iqbal M., Wen J., Wang Sh., Tian Hu., and Adnan M. 2018. Variations of precipitation characteristics during the period 1960-2014 in the Source Region of the Yellow River, China. Journal of Arid Land 10(3): 388-401.

10- Jacob D., Reed D.W., and Robson A.J. 1999. Choosing a pooling group. Flood Estimation Handbook. Vol. 3. Institute of Hydrology, Wallingford, UK.

11- Khalili A., and Bazrafshan J. 2008. Evaluation of drought duration risk using annual secular precipitation data in ancient stations of Iran, Journal of Geophysical, Volume 2, Number 2. (In Persian with English abstract)

12- Liao W., Li D., and Cui Sh. 2018. A heuristic optimization algorithm for HMM based on SA and EM in machinery diagnosis, J Intell Manuf © Springer Science 29(8): 1845-1857.

13- Little R., JA Rubin D., B. 2002. Statistical analysis with missing data. John Wiley & Sons, 408 pages.‏

14- Motia Ghader H., Lotfi Sh., and Seyyedsafelan M.M. 2010. A Review of Some Intelligent Optimization Techniques, Shabestar Branch of Islamic Azad University Publishing, 215 pp.

15- Preis A., and Ostfeld A. 2008. A coupled model tree–genetic algorithm scheme for flow and water quality predictions in watersheds. Journal of Hydrology (Elsevier) 349: 364–375.

16- Ranhao S., Baiping Z., and Jing T. 2008. A Multivariate Regression Model for Predicting Precipitation in the Daqing Mountains, Mountain Research and Development 28(3): 318-325.

17- Rezaee-Pazhand H., and Bozorgnia A. 2002. Nonlinear Regression Analysis with application, Mashhad University Pub, 400 pp. (In Persian)

18- Safavi S.A.A., Pour Jafarian N., and Safavi S.A. 2014. Optimization based on Meta-heuristic algorithms, Publishing Institute of Academic Publishers. (In Persian with English abstract)

19- Shanmuganathan S., and Samarasinghe S. 2016. Artificial Neural Network Modelling, Springer International Publishing Switzerland, 468 pages.

20- Smithsonian Institution. (1927, 1934, 1947): World weather records, 1910-1920., 1921-1930., 1931-1940., Smithson. Miss C. Collect. 79,90,105. (Publication2913.,3216.,3803)

21- Smola A., and Vishwanathan S.V.N. 2008. Introduction to Machine Learning. Cambridge university press 234 pages.

22- Souri A. 2017. Advanced econometric studies, c. 2, with the use of stata12 and eviews8, Culture Publishing, 1022 pages. (In Persian)

23- Yozgatligil C., Aslan S., Iyigun C., and Batmaz I. 2013. Comparison of missing value imputation methods in time series: the case of Turkish meteorological data, Theory Apply Climatology 112: 143–167.