ترميم داده هاي مفقود هواشناسي با روش هاي تكاملي و يادگيري ماشين مطالعه موردي: بارش و دماي ماهانه درازمدت مشهد

بارش و دما از مهم‌ترين متغيرهاي هوا و اقليم شناسي هستند. طول دوره آماري اهميت بسزايي در دقت تحليل اين دو متغير دارد. حجم نمونه كمتر از 100 سال نمي تواند نوسانات دراز مدت را به خوبي منعكس كند. طولاني ترين آمار مربوط به دما و بارش ماهانه مشهد نزديك به 125 سال (از حدود 1893 الي 2017) است. متاسفانه اين آمار مفقودي دارد. ترميم داده هاي مفقود و افزايش دقت برآورد آن ها هدف اين پژوهش است. ايستگاه هايي از كشورهاي مجاور به عنوان ايستگاه هاي مبنا انتخاب شدند. ابتدا داده هاي مفقود با برازش ده الگوي رگرسيوني چندگانه براي بارش ماهانه (با ضرايب تعيين 0.63 تا 0.81) و شش الگو براي دماي ماهانه (0.986تا 0.993) ترميم شدند. سپس براي كاهش خطاها، پارامترهاي الگوهاي رگرسيوني با روش هاي GA و ACO بهينه شدند. افزون بر اين دو روش ANN و SVR نيز به منظور الگوسازي اين داده ها نيز به كار گرفته شدند. نتايج نشان داد GA و ACO دقت برآورد داده هاي مفقود بارش را نسبت به روش هاي رگرسيوني فوق به طور چشمگيري افزايش مي دهد. كمترين RMSE بين تمام الگوهاي رگرسيوني بارش 9.79 ميلي متر است. اين معيار با روش GA به 2.560 ميلي متر و با ACO به 2.559 كاهش مي بابد. كمترين RMSE بين الگوهاي رگرسيوني دما 0.986 ميلي متر است. اين معيار با روش ANN به 0.726 ميلي متر و با SVR نيز به 0.551 كاهش مي بابد. مقايسه ترميم دما و بارش نشان مي دهد كه روش هاي تكاملي براي بارش و روش هاي يادگيري ماشين براي دما عملكرد بهتري دارند.