پیش بینی ریسک دمای پایین با استفاده از یادگیری ماشین: طبقه بندی دودویی دمای روزانه حداقل در سرخس

چکیده مقاله

پیش بینی دقیق دماهای حداقل از اهمیت بسزایی برای جلوگیری از آسیب های مربوط به سرما، به خصوص در زمینه کشاورزی این مطالعه به هدف طبقه بندی دمای حداقل روز بعد در سرخس، ایران، به دو دسته: زیر یا بالای ۴ درجه سانتی گراد، با استفاده از الگوریتم های یادگیری ماشین نظارت شده می پردازد مجموعه داده ای از مشاهدات هواشناسی جمع آوری شد، شامل دما، رطوبت، جهت و سرعت باد، فشار، و تابش خورشیدی داده ها پیش پردازش، نرمال سازی، و بر اساس آستانه ۴ درجه سانتی گراد برچسب گذاری شدند الگوریتم های مختلف طبقه بندی مانند تحلیل تمایزی خطی LDA ، تحلیل تمایزی چند جمله ای QDA ، طبقه بند پشتیبانی بردار SVC ، همسایه های نزدیک K KNN ، و شبکه های عصبی مصنوعی ANN ارزیابی شدند عملکرد مدل با استفاده از معیارهای دقت، بازخوانی، دقت، و امتیاز F۱ ارزیابی شد از میان مدل های آزمایش شده، QDA و ANN بالاترین عملکرد را از خود نشان دادند، به ترتیب با امتیازهای F۱ ۰ ۹۴ و ۰ ۹۳ نتایج بر جلوه اثربخشی مدل های سبک یادگیری ماشین در طبقه بندی ریسک دمای پایین و پایه ای برای ادغام در سیستم های هشدار زود هنگام برای مناطقی که به سرما حساس هستند، می ایستند

کلیدواژه‌ها

نویسندگان

مهدی حبیبی

دانشکده مهندسی صنایع دانشگاه فردوسی مشهد

امیرحسین باباییان

دانشکده مهندسی صنایع دانشگاه فردوسی مشهد

محمد فرخ پور

دانشکده مهندسی صنایع دانشگاه فردوسی مشهد

علیرضا شادمان

دانشکده مهندسی صنایع دانشگاه فردوسی مشهد

�بیبی، مهدی و باباییان، امیرحسین و فرخ پور، محمد و شادمان، علیرضا،1404،پیش بینی ریسک دمای پایین با استفاده از یادگیری ماشین: طبقه بندی دودویی دمای روزانه حداقل در سرخس،یازدهمین کنفرانس بین المللی مهندسی صنایع و سیستم ها،مشهد

ارائه‌شده در

مجموعه مقالات یازدهمین کنفرانس بین المللی مهندسی صنایع و سیستم ها2 مهر 1404 · مشهد