داده کاوی دمای هوا 24 ساعته ایران با استفاده از یادگیری ماشین شبکه عصبی پرسپترون چند لایه (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
هدف از این تحقیق، داده کاوی دمای هوا 24 ساعته ایستگاه های هواشناسی سینوپتیک ایران است. مواد و داده های به کاررفته تحقیق از یک منبع می باشد که به صورت ساعتی برای مدت 31 سال از سازمان هواشناسی کشور دریافت شد. در ارتباط با داده ها می توان گفت که توسط زبان برنامه نویسی R یادگیری ماشین شبکه عصبی پرسپترون چند لایه MLP شبیه سازی شده است. از تابع Anova جهت مقایسه میانگین دمای هوا 24 ساعته در ایستگاه های مورد بررسی در دوره (پایه و شبیه سازی) استفاده شد. با استفاده از تابع گردش، الگوهای زمانی موجود درداده ها تحلیل شد تا مشخص شود که دنباله داده ها تصادفی هستند یا الگو های معناداری دارند؟ در ادامه روش های یادگیری، از رگرسیون لجستیک با هدف پیش بینی اثرات تغییرات آب وهوایی در تغییرات دمای هوا استفاده شد. در مدل لجستیک، (تغییرات آب وهوا) به عنوان متغیر وابسته و دمای هوا (مشاهداتی و شبیه سازی) به عنوان متغیرهای پیش بین مستقل انتخاب شد. داده ها در تحلیل وارد شد و مدل لجستیک معنی دار بود. مجذور آماره کای در دمای هوا برابر 19/314 محاسبه شد که در سطح خطای کمتر از 05/0 معنی دار بود. متغیرهای مستقل مذکور توانسته اند بین 92 تا 88 درصد از تغییرات را که منجر به افزایش یا کاهش دمای هوا شده بود، به درستی تبیین کند. 4/86 درصد از ماه هایی که تغییرات نداشتند، درست طبقه بندی شدند و 2/93 درصد از پیش بینی ها درباره تغییرات دمای هوا صحیح بود. درکل، 3/95 درصد از پیش بینی ها درست تخمین زده شد. نتایج نشان داد که تغییرات آب وهوا اثر معنی داری روی افزایش یا کاهش دمای ماهانه هوا در ایستگاه های مورد بررسی دارد. بیش ترین و کم ترین میزان دمای مشاهداتی هوا به ترتیب در ماه های ژوئیه و ژانویه، شبیه سازی ها نیز بیش ترین و کم ترین مقدار دما را برای همین ماه ها پیش بینی کرده اند. بیش ترین و کم ترین دمای هوا سالانه نیز به ترتیب برای ایستگاه های سیری و زرینه ثبت و پیش بینی شده است.Data mining of Iran's 24-hour air temperature by the use of multi-layer perceptron neural network machine learning
The main goal of this research was analyzing the 24-hour air temperature of synoptic weather stations in Iran. The materials and data used in the research were from the hourly data from the National Meteorological Organization for a 31 years period. The data was simulated by the R programming language of the MLP multilayer perceptron neural network. The ANOVA function was used to compare the average 24-hour air temperature in the stations under investigation for further simulation. Using the rotation function, the time patterns in the data were analyzed to in order determine whether the data sequences were random or had significant patterns. In the continuation of the learning methods, logistic regression was applied aiming at the predicting the effects of climate changes in air temperature variations. In the logistic model the climate changes were chosen as the dependent variable and air temperature (observational and simulated) as the independent predictor variables. The data were included in the analysis and the results of applying the logistic model were significant. The Chi square function of the temperature was calculated as 314.19, which was significant at the error level of less than 0.05. The mentioned independent variables were able to correctly explain between 92 and 88 percent of the changes that led to an increase or decrease in air temperature. 86.4% of the months that had no changes were correctly classified, and 93.2% of the predictions about air temperature changes were correct. In general, 95.3% of the predictions were estimated correctly. The results showed that climate changes have a significant effect on increasing or decreasing the monthly air temperature. The simulations predicted the highest and lowest observed temperatures to be in July and January, respectively. The highest and lowest annual air temperatures were recorded and predicted for Siri and Zarineh stations, respectively
تبلیغات
