یک روش جدید برای پیش بینی بارندگی با استفاده از الگوریتم K-نزدیکترین همسایگی بهبود یافته
چکیده
روش پیش بینی نقش حیاتی در پیش بینی دقیق بارش دارد. اخیرا، یادگیری ماشین به میزان زیادی برای پیش بینی بارش استفاده شده است، و الگوریتم K-نزدیکترین همسایگی (KNN)، یکی از روش های یادگیری ماشین، عملکرد خوبی نشان داد. در این مقاله، ما یک الگوریتم KNN ارتقا یافته را ارائه می کنیم، که در برابر انتخاب های مختلف سایز همسایگی k به ویژه در مورد توزیع غیر عادی کلاس مجموعه داده های بارش، نیرومندی نشان می دهد،. سپس، بر مبنای الگوریتم KNN ارتقا یافته، یک روش پیش بینی بارش مطرح می شود. نتایج تجربی وسیع اثربخشی روش پیش بینی بارش مبتنی بر الگوریتم KNN پیشنهادی ما را نشان می دهد.
1. مقدمه
بارش نقش تعیین کننده ای در اقلیم دارد، زیرا نه تنها برای کشاورزی، جنگلداری و صنعت انرژی حیاتی است، بلکه زیستگاه های پایداری را برای انواع زیادی از گونه ها فراهم می کند. [1-4]. با این وجود، باران های سنگین در مدت زمان کوتاه معمولا موجب بلا های طبیعی مانند سیل های برق آسا، سیل های گل و سنگ، آبسیری های شهری و زمین لغزه ها میشوند که موجب تلفات زیاد در زندگی و شرایط مردم می شود [5،6]. و به همین دلیل پیش بینی بارش مطمئن بسیار مهم و ضروری است. متاسفانه، پیش بینی بارش به دلیل مکانیسم شکل گیری بارش یک چالش عمده در هواشناسی است که تا کنون به طور کامل درک نشده است، که شامل یک فیزیک نسبتا پیچیده می باشد [7-9]. و در حال حاضر پیش بینی بارش به هیچ عنوان رضایت بخش نیست [10]. بر این اساس، علاقه به پیش بینی بارش در سال های اخیر به طور قابل توجهی افزایش یافته است [14-14].
Abstract
The prediction method plays crucial roles in accurate precipitation forecasts. Recently, machine learning has been widely used for forecasting precipitation, and the K-nearest neighbor (KNN) algorithm, one of machine learning techniques, showed good performance. In this paper, we propose an improved KNN algorithm, which offers robustness against different choices of the neighborhood size k, particularly in the case of the irregular class distribution of the precipitation dataset. Then, based our improved KNN algorithm, a new precipitation forecast approach is put forward. Extensive experimental results demonstrate that the effectiveness of our proposed precipitation forecast approach based on improved KNN algorithm.
1. Introduction
Precipitation plays crucial roles in climate because it not only is vital for agriculture, forestry and the energy industry but also provides stable habitats for great varieties of species [1–4]. Nevertheless, heavy rains in a short time usually result in natural disasters such as flash floods, mud-rock flows, urban waterlogging and landslides, which causes tremendous losses in lives and properties of people [5,6]. And for this reason, reliable precipitation forecast is highly important and essentially needed. Unfortunately, the precipitation forecast is a major challenge in meteorology due to formation mechanism of precipitation, not completely understood so far, involves a rather complex physics [7–9]. And currently the precipitation forecast is far from being satisfactory [10]. Accordingly, the interest in precipitation forecasts has grown significantly in recent years [11–14].
چکیده
1. مقدمه
2. کارهای مرتبط
2.1 KNN
2.2 WKNN و DWKNN
3. الگوریتم KNN بهبود یافته ما
4. پیش بینی بارندگی بر اساس الگوریتم KNN بهبود یافته برای منطقه پکن
4.1 داده های بارندگی و پیش بینی کننده ها
4.2 نرمالیزاسیون
4.3. پیش بینی بارندگی بر اساس الگوریتم KNN بهبود یافته
5. آزمایشات و نتایج
5.1 معیارهای ارزیابی عملکرد پیش بینی بارندگی
5.2. پیش بینی بارش
6. نتیجه گیری
منابع
Abstract
1. Introduction
2. Related work
2.1. KNN
2.2. WKNN and DWKNN
3. Our improved KNN algorithm
4. Improved KNN algorithm based precipitation forecast for Beijing area
4.1. Precipitation data and predictors
4.2. Normalization
4.3. Improved KNN algorithm based precipitation forecast
5. Experiments and results
5.1. Criteria for evaluating precipitation forecast performance
5.2. Precipitation forecast
6. Conclusions
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه