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، تابستان 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., Bozorgnia, A., 2010, Elementary Survey Sampling, Mashhad University Pub, pp435.
2. Dastorani, M. T., Moghadamnia, A., Piri, J., Rico-Ramirez, M., 2010, "Application of ANN and ANFIS models for reconstructing missing flow data." Environmental monitoring and assessment166.,1-4: 421-434.‏
3. Dingman, S. L., 2002, Physical Hydrology, Second Edition, PRENTICE HALL. (in Persian with English abstract)
4. Dipak, V. P., 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., 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., Sanaeinejad, H., 2014, Restoration and development of 127 years of monthly temperature in Mashhad, Journal of Climate Research, 5 (17 and 18): 123-111. (in Persian with English abstract)
7. Ghahraman, B., Ahmadi, F., (2007): Application of Geo statistics in Time series: Mashhad Annual Rainfall, Iran-Watershed Management Science & Engineering. Vol. 1, No. 1.
8. Jacob. D., Reed. D. W., Robson. A. J., (1999): Choosing a pooling group. Flood Estimation Handbook. Vol. 3. Institute of Hydrology, Wallingford, UK.
9. Khalili, A., 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)
10. Liao, W., Li, D., Cui, Sh., 2016, A heuristic optimization algorithm for HMM based on SA and EM in machinery diagnosis, J Intell Manuf © Springer Science.
11. Little, R. JA, Rubin. D., B., 2002, Statistical analysis with missing data. John Wiley & Sons, 408 pages.‏
12. Motia Ghader, H., Lotfi, Sh., Seyyedsafelan, M.M., 2010, A Review of Some Intelligent Optimization Techniques, Shabestar Branch of Islamic Azad University Publishing.
13. 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.
14. Rezaee-Pazhand, H., Bozorgnia, A., 2002, Nonlinear Regression Analysis with application, Mashhad University Pub, pp400. (in Persian)
15. Safavi, S. A. A., Pour Jafarian, N., Safavi, S.A., 2014, Optimization based on Meta-heuristic algorithms, Publishing Institute of Academic Publishers. (in Persian with English abstract)
16. Shanmuganathan, S., Samarasinghe S., 2016, Artificial Neural Network Modelling, Springer International Publishing Switzerland, 468 pag.
17. Smithsonian Institution. (1927, 1934, 1947): World weather records, 1910-1920., 1921-1930., 1931 – 1940., Smithson. Miss C. Collect. 79,90,105. (Publication2913.,3216.,3803)
18. Smola A, Vishwanathan, S.V.N., 2008, Introduction to Machine Learning. Cambridge university press 234 pag.
19. Souri, A., 2017, Advanced econometric studies, c. 2, with the use of stata12 and eviews8, Culture Publishing, 1022 pages. (in Persian)
20. Yozgatligil, C., Aslan S., Iyigun, C., Batmaz, I., (2013): Comparison of missing value imputation methods in time series: the case of Turkish meteorological data, Theory Apply Climatology, 112:143–167.