پيش بيني وقوع امواج سهمگين مبتني بر متغيرهاي هواشناسي با استفاده از روش تركيبي الگوريتم ضريب داده پرت محلي و شبكه عصبي دسته بندي كننده

Proposed a New Hybrid LOF-ANN Method to Extreme Wave Height Prediction based on Meteorological Data

به دليل ماهيت پيچيده تصادفي و غير خطي امواج، پيش­ بيني وقوع امواج سهمگين دشوار است. پيش ­بيني وقوع امواج سهمگين مي­ تواند تا حد زيادي از بروز خسارات جاني و مالي بكاهد. هدف از اين تحقيق ارائه يك روش تركيبي براي پيش ­بيني وقوع امواج سهمگين از روي متغيرهاي هواشناسي با استفاده از روش ­هاي داده ­كاوي ضريب داده پرت محلي و شبكه­ عصبي مصنوعي دسته بندي كننده است. براي بررسي كارايي مدل ارائه شده از داده­ هاي تاريخي متغيرهاي هواشناسي برداشت شده طي سه سال از ايستگاه ­هاي شماره 41041 و 41004 دو طوفان مشهور (Dean (2007 و (Irene (2011 استفاده شده است. ابتدا با استفاده از روش ضريب داده پرت محلي امواج سهمگين شناسايي شده، سپس از خروجي­ هاي اين روش براي آموزش شبكه عصبي استفاده شده است. از 80 درصد داده ­هاي جمع آوري شده براي مرحله آموزش و از مابقي براي مرحله آزمون مدل بكار رفته است. كارايي روش ارائه شده با استفاده از معيارهاي متداول بررسي عملكرد روي داده ­هاي آموزشي و آزمون بررسي شد؛ نتايج بيانگر عملكرد مناسب روش پيشنهادي در پيش ­بيني وقوع امواج سهمگين از روي متغيرهاي هواشناسي است به طوري كه براي هر دو مجموعه داده مورد بررسي دقت ميانگين به 99% رسيد.

Extreme wave height prediction is very challenging due to its very high non-stationarity and non-linearity nature. The main aim of the present study is to propose a new hybrid method based on Local Outlier Factor and Artificial Neural Networks classifier, called LOF-ANN, to accurate prediction of extreme wave height occurrence using historical meteorological data. In this study to create models two major hurricanes Dean 2007 and Irene 2011at two locations (NDBC wave buoys stations: http://www.ndbc.noaa.gov) namely; 41004, 41041 in the Gulf of Mexico, is used. TO detect extreme waves, LOF method is used. The outputs of this method are considered as ANN targets. Extreme and normal waves are considered as Class 0 and class 1, respectively. The inputs of ANN models are historical metrological data, including: Wind direction (WDIR), Wind speed (WSPD), Sea level pressure (PRES), Air temperature (ATMP), and Sea surface temperature (WTMP). To create and evaluation of models, the input data sets are randomly divided into training (80%) and test set (20%). The performance of created models is evaluated using three popular criteria Root Mean Square Error (RMSE) and Receiver Operating Characteristic (ROC) and accuracy parameter. The experiment results show that the proposed method is able to predict the occurrence of extreme wave heights with height accuracy (up to 99%).