Αναζήτηση

Πλοήγηση

• Κοινότητες
• Συγγραφείς
• Έτος
• Τίτλοι
• Θέματα

Ο Χώρος μου

• Είσοδος

Συμπλήρωση χρονοσειρών βροχόπτωσης σε ημερήσια κλίμακα με χρήση συνόλων τεχνητών νευρωνικών δικτύων

Papailiou Ioannis

Πλήρης Εγγραφή

---

Περίληψη

Η συγκεκριμένη διπλωματική εργασία, εξετάζει τη δημιουργία ενός μοντέλου, το οποίο είναι ικανό να προσομοιώσει και να συμπληρώσει με ακρίβεια, πέντε (5) χρονοσειρές δεδομένων βροχόπτωσης, από πέντε (5) μετεωρολογικούς σταθμούς, στην περιοχή των Χανίων, στην Κρήτη. Το μοντέλο δημιουργήθηκε με τη χρήση Τεχνητού Νευρωνικού Δικτύου Πρόσθιας Τροφοδότησης (Feedforward Artificial Neural Network). Το χρονικό διάστημα που μελετάται, είναι από την 01/02/2006 έως και τις 31/12/2020. Τα Τεχνητά Νευρωνικά Δίκτυα (Artificial Neural Networks), στην παρούσα εργασία, έχουν ως στόχο τη δημιουργία ενός συγκεντρωτικού πίνακα, ο οποίος θα περιέχει, πλήρως συμπληρωμένες τις χρονοσειρές βροχόπτωσης, των εξεταζόμενων μετεωρολογικών σταθμών, σε ημερήσια κλίμακα. Ο παραπάνω στόχος, επιτυγχάνεται με τη συμπλήρωση τυχόν κενών στα καταγεγραμμένα δεδομένα βροχόπτωσης των σταθμών, καθώς επίσης και με την προσομοίωση αυτών των τιμών, για το χρονικό διάστημα που ο εκάστοτε σταθμός δεν είχε κατασκευαστεί. Οι προαναφερθέντες εξεταζόμενοι μετεωρολογικοί σταθμοί, είναι οι εξής: Αλικιανός, Χανιά, Χανιά (Κέντρο), Πλατανιάς και Σταλός. Τα δεδομένα εισόδου, του μοντέλου, είναι οι καταγεγραμμένες τιμές βροχόπτωσης των πέντε (5) σταθμών, σε ημερήσια κλίμακα, ενώ τα δεδομένα που χρησιμοποιούνται για την εκπαίδευση των Τεχνητών Νευρωνικών Δικτύων, είναι τα δεδομένα εισόδου που περιέχουν καταγεγραμμένη τιμή, για κάθε έναν από τους πέντε (5) σταθμούς. Το μοντέλο, ανάλογα με την περίπτωση της καταγεγραμμένης ημέρας, δημιουργεί ένα σύνολο δέκα χιλιάδων (10.000) Τεχνητών Νευρωνικών Δικτύων (Artificial Neural Network), για κάθε μία περίπτωση που εξετάζει, με σκοπό να προσομοιώσει με τη μεγαλύτερη δυνατή ακρίβεια, τα δεδομένα βροχόπτωσης που έλειπαν και να συμπληρώσει την εκάστοτε χρονοσειρά. Η εγκυρότητα των αποτελεσμάτων, στοιχειοθετείτε με τον υπολογισμό των συντελεστών συσχέτισης, μεταξύ στόχου (target) και προσομοιωμένης τιμής, με τη θεωρητικά βέλτιστη τιμή του κάθε συντελεστή να είναι το ένα (1), τιμή στην οποία υπάρχει πλήρης ταύτιση μεταξύ των δύο προαναφερθεισών, συγκρίσιμων τιμών. Επιπλέον για κάθε σταθμό, στον οποίο προσομοιώνεται η τιμή βροχόπτωσης του, υπολογίζεται η τιμή του συντελεστή Nash - Sutcliffe, ο οποίος μπορεί να πάρει τιμές από πλην άπειρο έως ένα (–∞ έως 1), βάσει του οποίου προσδιορίζεται η εγκυρότητα του μοντέλου, με την τιμή ένα (1) να υποδηλώνει πλήρη ταύτιση ανάμεσα στις προσομοιωμένες τιμές που δίνονται από το μοντέλο και σε αυτές που παρατηρούνται από τους σταθμούς. Τέλος, εξάγεται από τα αποτελέσματα του μοντέλου, η Ρίζα Μέσου Τετραγωνικού Σφάλματος για τα δεδομένα Δοκιμής (Test) του μοντέλου (RMSE), σε κάθε μία από τις περιπτώσεις (cases) που εξετάζονται. Βάσει όλων των παραπάνω, τα τελικά αποτελέσματα του μοντέλου, θεωρούνται ακριβή και αξιοποιήσιμα, καθώς σε όλες τις περιπτώσεις, οι παραπάνω δείκτες είναι πολύ κοντά στη μονάδα και τα σφάλματα σχετικά μικρά, αναλογικά με τις τιμές που αναφέρονται. Ο καλύτερος δείκτης εγκυρότητας των αποτελεσμάτων του μοντέλου, είναι η Ρίζα Μέσου Τετραγωνικού Σφάλματος για τα δεδομένα Δοκιμής (Test) του μοντέλου (RMSE), σε κάθε μία από τις περιπτώσεις (cases), καθώς τα δεδομένα αυτά δεν χρησιμοποιούνται κατά τη διάρκεια της Εκπαίδευσης (Training), ούτε της Εγκυρότητας (Validation). Επίσης, σημαντικό δείκτη, αποτελούν οι υπολογισμένοι συντελεστές συσχέτισης, μεταξύ στόχου (target) και προσομοιωμένης τιμής, για τα δεδομένα Δοκιμής (Test) του μοντέλου.

Διαθέσιμα αρχεία

Υπηρεσίες