پیش‌بینی دمای کمینه و بیشینه با استفاده از ماشین تعقیب کننده

نوع مقاله : مقاله پژوهشی

نویسندگان

1 عضو هیات علمی پژوهشگاه هواشناسی و علوم جو، تهران، ایران

2 پژوهشگاه هواشناسی و علوم جو، تهران، ایران.

3 رییس پژوهشکده هواشناسی آب و کشاورزی

4 عضو هیئت علمی پژوهشکده اقلیم شناسی

10.22034/jmas.2023.408087.1204

چکیده

پیش‌بینی دمای کمینه و بیشینه روزانه برای کاهش خسارت در زمینه‌های کشاورزی، آب و دام‌پروری قابل توجه است. در این پژوهش با استفاده از یادگیری ماشین تعقیب کننده با استفاده ازکمترین مربعات خطای طیفی شبه فوریه-سری زمانی، با یک دوره آموزشی 100 روزه، دمای کمینه و بیشینه روزانه پیش‌بینی شد. در این راستا از داده‌های بیش از 500 ایستگاه هواشناسی در سراسر کشور در یک دوره دوساله استفاده شد. پیش‌بینی‌های روش یادگیری ماشین با خروجی مدل عددیWRF با یکدیگر و با مشاهدات مقایسه، و توانای آنها با نمره مهارت ارزیابی شد. نتایج نشان داد که پیاده‌سازی روش الگوریتم یادگیری ماشین در پیش‌بینی‌های کوتاه مدت موفق بوده ومتوسط نمره مهارت بیش از 6/0 بوده است. این در حالی است که به طور متوسط نمره مهارت برای مدل WRF تقریبا 01/0 است. مزیت اصلی این روش نسبت به مدلWRF این است که از پیچیدگی محاسباتی کمتری برخودار است و در محاسبات فقط از داده‌های 100 روز گذشته بهره‌مند می‌شود. مزیت دیگر این روش استفاده از یک الگوریتم یادگیری ماشین با حافظه کوتاه مدت است که تاثیر نامطلوب فقدان طولانی مدت داده‌ها در سری زمانی دوره آموزش را بر خروجی پیش‌بینی‌ها کاهش می‌دهد. در این روش با هزینه محاسباتی کمتر و در زمانی بسیار کوتاه می‌توان، پیش‌بینی‌های کوتاه مدت (24، 48 و 72 ساعته) دمای کمینه و بیشینه را برای سراسر نقاط ایستگاهی کشور با دقت مناسبی ارائه داد.

کلیدواژه‌ها

موضوعات

فایل ها

هم رسانی

ارجاع به این مقاله

آمار