KNN Weather Generator

270,000 تومان

نرم افزاری برای تولید داده های آب و هوا مبتنی بر روش KNN و مقایسه با مدل های دیگر

برای خرید نرم افزار ID سیستم خود را به atena.pezeshki71@gmail.com ارسال نمایید تا مراحل فعال سازی نرم افزار را شروع کنیم. ID سیستم را میتوانید بوسیله ID Finder پیدا کنید.

 

توضیحات

KNN Weather Generator

نرم افزار KNN-WG چیست؟

نرم افزار KNN-WG ابزاری است برای شبیه سازی آینده داده های آب و هوایی روزانه بر اساس روش k نزدیک ترین همسایه. کاربر می تواند هفت متغیر متفاوت را بارگزاری کند.

برای مثال دمای حداقل، دمای حداکثر، بارش، Srad، ET0، WSOD و رطوبت. سپس، کاربر می تواند داده های ورودی را بارگزاری کرده و نرم افزار KNN Weather Generator را اجرا کند.

کاربر در این نرم افزار می تواند شاخص های کفایت d، NSE، RMSE، MBE، پیرسون و اسپیرمن را محسابه نماید و گراف های آن را رسم کند.

کاربر می تواند خروجی های KNN Weather Generator را با مدل های دیگری مانند Lars-WG، SDSM، CMIP5 و غیره مقایسه نماید. یکی از بهترین مزیت های ابزار KNN Weather Generator این است که کاربر می تواند هر تعداد متغیر را انتخاب کند تا داده های آینده را تولید نماید.

تکنیک های غیرپارامتری چه تکنیک هایی هستند؟

روش های ریسمپل غیرپارامتریک، جایگزینی برای تولید داده های آب و هوایی روزانه است. برخلاف جایگزین های پارامتریک برای تولید سری های زمانی، روش های غیرپارامتریک داده های جدیدی را با نمونه گیری مشروط از مشاهدات قبلی با استفاده از احتمالات تولید می کند.

به طور کلی، روش آماری برای تولید سری های آب و هوایی روزانه نیاز به در نظر گرفتن وابستگی آماری متغیرهای آب و هوایی به هم، در یک روز دارد.

با پیدا کردن این رابطه، می توانیم داده های آینده را (با توجه به شباهت بین روزها) تولید کنیم. این روش را می توان با این فرض که آب و هوا در سال هدف شبیه به آب و هوا در گذشته است، استفاده کرد.

تولید کننده داده های آب و هوایی غیرپارامتریک، روش ساده ای برای شبیه سازی داده های آب و هوایی در مکان های چندگانه است در حالی که محدودیت های روش های پارامتریک و شبه پارامتریک را ندارد.

یک مشکل متداول این است که اغلب مدل های پارامتریک و شبه پارامتریک، با توجه به توزیع احتمالی متغیرهای اقلیمی، نیاز به فرضیه های آماری دارند.

روش KNN Weather Generator چیست؟

روش k نزدیک ترین همسایه ها، یک روش شبیه سازی است.

منشاء این روش تشخیص الگوی آماری غیرپارامتریک بوده و برای تمایز دادن الگوهای متفاوت با توجه به شاخص های انتخاب می باشد.

با این روش، محققین می توانند داده های آینده را تولید کنند.

KNN Weather Generator، تکنیکی است که در شرایط مختلف داده های مشاهده شده را با توجه به رابطه خاص شرطی، ریسمپل می کند. KNN Weather Generator ساده ترین روش برای این کار است.

قابل اعتمادترین تکنیک غیرپارامتریک برای تولید داده های آب و هوایی، روش ریسمپل k نزدیک ترین همسایه است.

روش k-NN بر اساس تشخیص الگوی مشابه فایل هدف درون داده های مشاهده شده کار می کند که می توان آن را برای کاهش سال هدف استفاده کرد (Young, 1994; Yates, 2003; Eum et al., 2010).

سال هدف، داده های اولیه هستند که همراه با داده های تاریخی، برای فایل های ورودی و اجرای مدل ضروری هستند.

این روش بر این فرضیه استوار است که داده های واقعی آب و هوایی در سال هدف می توانند تکرار داده های برداشت شده در گذشته باشند. تکنیک k-NN از هیچ تابع ریاضی از پیش تعیین شده ای برای تخمین متغیر هدف استفاده نمی کند.

در واقع، الگوریتم این روش بر اساس انتخاب تعداد مشخصی روز است که با روز مورد نظر ما ویژگی های مشابهی دارند.

یکی از این روزها به طور تصادفی ریسمپل می شود تا آب و هوای روز بعد را در دوره شبیه سازی نشان دهد. روش نزدیک ترین همسایه شامل نمونه گیری همزمان متغیرهای آب و هوایی، مثل بارش و دما است. نمونه گیری از داده های مشاهده ای با جایگذاری انجام می شود.

KNN Weather Generator، به طور گسترده در کشاورزی (Bannayan and Hoogenboom, 2009)، جنگلداری (Lopez et al., 2001) و هیدرولوژی (Clark et al., 2004; Yates et al., 2003).

Demo V1.0

Demo V1.1

KNN-WG Help for compression with other monthly model

 

>

KNN Weather Generator

 

 

KNN Weather Generator can generate data

 

به اشتراک بگذارید

نقد و بررسی‌ها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین کسی باشید که دیدگاهی می نویسد “KNN Weather Generator”

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *