8578

پيش¬بيني برخي متغييرهاي آب و هوا با استفاده از يادگيري ماشين

كارشناسي

رياضيات و كاربردها

1402

دكتر سيده محبوبه مولوي عربشاهي

دكتر سيده محبوبه مولوي عربشاهي

1402/06/31

رياضي

Forecasting some weather variables Using machine learning

از قديم‌ آب و هوا بخش خيلي‌ مهمي از زندگي انسان ها را پوشش داده به اين صورت كه خيلي از اقليم ها، خيلي از تمدن ها، بسياري از شهر ها و كشور ها، بسياري از شغل ها و ديگر مسائل زندگي بشر را درگير خود كرده است. شناسايي، تشخص و پيش بيني آب و هوا به دليل حساسيت بسيار بالا، ايجاد تهديد ها و فرصت ها بسيار مهم مي¬باشد. تاكنون مطالعات و تحقيقات بسيار زيادي در زمينه¬هاي آب و هواشناسي در مناطق مختلف جغرافيايي، با روش هاي مختلفي توسط محققان و دانشمندان صورت گرفته است. مارك هولمسترون و همكاران1 در پژوهش خود توانستند با استفاده از داده هاي آب و هوايي منطقه اي كاليفرنيا با روش هاي رگرسيون خطي و رگرسيون عملكردي با ورودي هاي دو روز قبل، هفت روز آينده را پيش¬بيني كنند. جارياكا و همكاران2 توانستند با استفاده از داده هاي آب¬ و ¬هوايي منطقه نشويل، مركز ايالت تنسي آمريكا، با روش¬هاي رگرسيون جنگل تصادفي3 و رگرسيون ستيغي4 پيش¬¬بيني كنند كه به راحتي بر روي هر رايانه اي از جمله تلفن همراه قابل اجرا است. برك اگولكان پارلاك و همكارش5 در تحقيق خود توانستند با استفاده از داده هاي آب و هوايي منطقه اي شهر بشيكتاش استانبول با روش هاي رگرسيون برآمدگي، لاسو، خطي، چند جمله‌اي، جنگل تصادفي و رگرسيون بردار پشتيبان، متوسط دماي هواي منطقه موردي بررسي را پيش¬بيني كنند. وحيد شيرزاد و همكاران6 داده¬هاي مركز هواشناسي خراسان شمالي دريافت و اصلاح آنان را با روش نزديكترين همسايه و توسط مركز كيو سي سازمان هواشناسي كشور انجام دادند. سپس داده ها جهت آموزش، نرمال سازي گرديد و در نهايت مدل شبكه عصبي يادگيري عميقAELM جهت پيش بيني دماي بيشينه در ايستگاه سينوپتيك فرودگاهي بجنورد نوشته و با مقايسه ميانگين مجذور خطا آموزش و آزمون در مدل، به نتايج خوبي دست يافت. امير علي حسيني و همكاران7 از دو روش، شبكه عصبي mlp و الگوريتم رگرسيون ماشين بردار پشتيبان استفاده كردند. در ادامه پس از ايجاد و آموزش شبكه، دادههاي آزمون به مدل داده مي¬شود تا دماي هوا را پيش¬بيني كند. نتايج بدست آمده نشان داد كه هر دو شبكه به خوبي آموزش ديده و توانايي پيش¬بيني دما با دقت بسيار خوبي را دارند. از طرفي با بررسي شاخصهاي ارزيابي مانند ميزان خطا و ضريب تعيين و نمودارهاي مقادير پيش¬بيني شده در برابر نمودار مقادير واقعي مي¬توان به اين نتيجه رسيد كه شبكه عصبي mlp نسبت به الگوريتم رگرسيون ماشين بردار پشتيبان، عملكرد بهتري دارد. پيش¬بيني آب و هوا به معني تخمين زدن آب و هوا با روش¬هاي مختلف است. به طور سنتي، اين كار از طريق شبيه¬سازي‌هاي فيزيكي انجام مي‌شود كه در آن اتمسفر به صورت سيال مدل‌سازي مي‌شود. حالت فعلي جو از طريق ايستگاهاي سينوپتيك نمونه برداري شده و حالت آينده با حل عددي معادلات ديناميك سيالات و ترموديناميك محاسبه مي¬شود. سيستم معادلات ديفرانسيل معمولي حاكم بر اين مدل فيزيكي اغلب به دليل اختلالات سيستم آب و هوايي ناپايدار هستند و عدم قطعيت در اندازه‌گيري‌هاي اوليه شرايط جوي و درك ناقص فرآيندهاي پيچيده جوي محدود مي‌شود. برعكس، يادگيري ماشيني در برابر اختلالات نسبتا قوي است و نيازي به درك كامل فرآيندهاي فيزيكي حاكم بر جو ندارد. بنابراين، يادگيري ماشين ممكن است نشان دهنده آن باشد كه يك جايگزين مناسب براي مدل ها و شبيه سازي هاي فيزيكي باشد. چهار الگوريتم يادگيري ماشين: رگرسيون¬خطي، رگرسيون ستيغي، رگرسيون لاسو و روش پيشگوي فيسبوك در اين مقاله پياده سازي شده است. مجموعه داده¬هاي آب¬و¬هوايي مربوط به جنوب غربي درياچه خزر، براي آموزش اين الگوريتم-ها استفاده مي¬شود. ورودي اين الگوريتم ها داده هاي هواشناسي سي و يكم ماه دسامبر سال هزار و نهصد و نود چهار ميلادي الي سي و يكم ماه دسامبر سال دوهزار و بيست ميلادي مي¬باشد كه شامل واگرايي باد، كسر جرمي ازون در هوا، گرداب بالقوه، رطوبت خاص، رطوبت نسبي، دماي هوا، باد شرق، باد شمال، گرداب نسبي جو، تمايل لاگرانژي فشار هوا و ژئوپتانسيل هوا براي هر روز است. خروجي الگوريتم هاي مطرح شده پيش¬بيني همين ورودي¬ها در دو سال آينده از زمان ذكر شده مي¬باشد.

پيشبيني , آب و هوا , يادگيري ماشين , Forecasting , machine learning