16495

16495

مدلسازي مقياس پذير و مبتني بر داده وضع هوا براي پيش بيني كوتاه مدت

دكتري

هوش مصنوعي

اسفند ماه 1394

دكتر پيمان كبيري

كامپيوتر

چكيده در اين پايان‌نامه، يك چارچوب جديد برپايه¬ي داده و مقياس‌پذير براي پيش‌بيني كوتاه مدت وضع هوا پيشنهاد مي‌شود. اين مدل، مانند مدل‌هاي پيش‌بيني عددي نيازي به دانش تحليلي در مورد جو ندارد و بر پايه‌ي تاريخچه‌اي از داده‌ها كه وضع هوا را در گذشته توصيف مي‌كنند، ساخته مي‌شود. مقياس‌پذيري چارچوب پيشنهادي سبب مي‌شود تا بتواند بده بستان بين دقت و سرعت اجراي مدل را كنترل كند. به زبان ديگر، مدل مي‌توان كُند و دقيق‌تر پيش‌بيني كند و يا سريع و كم دقت اجرا شود. چارچوب پيشنهادي، يك مدل سراسري را پيشنهاد مي‌كند كه مجموعه‌اي از مدل‌هاي كوچك و محلي آن را مي‌سازند. اين مدل‌هاي محلي، هر كدام براي پيش‌بيني يك پارامتر در يك نقطه‌ي داده‌اي بكار مي‌رود. هر مدل محلي، بايد همه پارامترهاي تاثيرگذاري كه در همسايگي نقطه مورد نظر وجود دارد را به پارامتر مورد نظر در آن نقطه نگاشت كند. از آنجا كه پارامترهاي تاثيرگذار در همسايگي نقطه مي‌توانند بسيار زياد باشند، هر مدل محلي داراي يك پيمانه انتخاب ويژگي است كه پارامترها را پالايش كرده و به گونه¬اي چشمگيري تعداد آنها را كاهش مي‌دهد. هر مدل محلي، علاوه بر پيمانه انتخاب ويژگي يك پيمانه رگرسيون تركيبي دارد كه پارامترهاي كاهش يافته را به پارامتر هدف نگاشت مي‌كند. خروجي هر مدل محلي بخشي از وضعيت سراسري سامانه است. در اين پايان‌نامه، علاوه بر پيشنهاد چارچوبي براي مدلسازي جو، روش‌هاي بهبود يافته‌اي براي انتخاب ويژگي و رگرسيون تركيبي پيشنهاد شده است كه نتايج تجربي نشان مي‌دهد نسبت به روش‌هاي مشابه از كيفيت بالاتري برخوردارند. نكته مهم‌تر اينكه، هر دو پيمانه‌ي انتخاب ويژگي و رگرسيون تركيبي داراي پارامترهايي هستند كه مي‌توان به كمك آنها مقياس‌پذيري پردازشي را در پيمانه‌ها و به دنبال آن در كل چهارچوب پيشنهادي كنترل كرد. چارچوب پيشنهادي روي داده‌هاي استاندارد NCEP اعمال شد. نتايج پياده‌سازي نشان مي‌دهد كه چارچوب پيشنهادي علاوه بر برخورداري از ويژگي مقياس‌پذيري، در برخي نقاط داراي دقت پيش‌بيني قابل مقايسه با سامانه‌ي پيش‌بيني عددي وضع هواي GFS است. واژههاي كليدي: پيشبيني عددي، گوارد دادهها، رگرسيون تركيبي، انتخاب ويژگي.

1395/11/13

1/1/1900 12:00:00 AM

Abstract The earth’s atmosphere is a complex system an​d its short range forecasting is an open an​d difficult problem. Almost all proposed systems use numerical models for weather forecasting. These models use a set of partially differential equations an​d apply them to a heterogeneous coordinate system that partitions the under study region into a 3D grid of similar cells. Complexity an​d precision of models are directly affected by the partially differential equations. Therefore, once there is not enough knowledge about the system, constructing the prediction model becomes impossible o​r the precision of constructed model is reduces. In this thesis, a new scalable an​d data-driven framework is proposed for short-range weather forecasting. This framework has no need for analytical knowledge about the atmosphere an​d is constructed based on a data history that describes state of the atmosphere in the past. In addition it can control the trade-off between speed an​d accuracy. In other words, it can forecast slow an​d accurate o​r it can run fast an​d inaccurate. The proposed framework, includes a global model that consists of a set of small an​d local models. Each local model is used to forecast a parameter in a specific point. Each local model should map from all potentially effective parameters in the neighborhood of the point to the corresponding parameter. Considering the huge number of potentially effective parameters, each local model has a feature selection module that filters parameters an​d significantly reduces them. In addition to feature selection module, each local model has a regression ensemble module that maps selected parameters in to target parameters. The output of each local model is a part of the whole state of the system. In this thesis, proposing a new framework for atmosphere modeling, several improved methods are proposed for feature selection an​d regression ensemble that have superior efficiency compared to similar reported methods. The proposed framework is applied to the standard NCEP dataset from 1999 to 2010. The implementation results show that the proposed method is not only scalable but also its forecasting precision is comparable to well-known numerical weather forecasting systems such as GFS. Keywords: Numerical Weather Prediction, Data Assimilation, Regression Ensemble, Feature Selection.