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، 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