Aplicación de modelos avanzados de computación suave optimizados para el pronóstico de variables atmosféricas
Autores: Adnan, Rana Muhammad; Meshram, Sarita Gajbhiye; Mostafa, Reham R.; Islam, Abu Reza Md. Towfiqul; Abba, S. I.; Andorful, Francis; Chen, Zhihuan
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Aplicación de modelos avanzados de computación suave optimizados para el pronóstico de variables atmosféricas
Categoría
Matemáticas
Subcategoría
Matemáticas generales
Palabras clave
Temperatura del aire
Modelo de aprendizaje automático
Algoritmo de optimización
Serie temporal de temperatura
Precisión de predicción
RVFL-WCAMFO
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 30
Citaciones: Sin citaciones
La modelización precisa de la temperatura del aire es crucial para un ambiente sostenible. En este estudio, se examina un modelo novedoso de aprendizaje automático optimizado binario, el enlace funcional de vector aleatorio (RVFL) con la integración del algoritmo de optimización de llama de polilla (MFO) y el algoritmo de optimización del ciclo del agua (WCA) para estimar las series temporales de temperatura mensual y diaria de la estación climática de Rajshahi en Bangladesh. Se utilizaron varias combinaciones de temperatura y precipitación para predecir las series temporales de temperatura. La capacidad predictiva del modelo novedoso de aprendizaje automático optimizado binario (RVFL-WCAMFO) se comparó con los modelos de aprendizaje automático optimizados individualmente (RVFL-WCA y RVFL-MFO) y el modelo de aprendizaje automático independiente (RVFL). Se utilizaron los índices estadísticos de error cuadrático medio (RMSE), error absoluto medio (MAE), eficiencia de Nash-Sutcliffe (NSE) y coeficiente de determinación (R) para evaluar la capacidad predictiva de los modelos seleccionados. El modelo propuesto de aprendizaje automático optimizado binario (RVFL-WCAMFO) superó a los otros modelos de aprendizaje automático optimizados individualmente y al modelo de aprendizaje automático independiente en la predicción de las series temporales de temperatura del aire en ambas escalas, es decir, diaria y mensual. Se aplicó la técnica de validación cruzada para determinar el mejor conjunto de datos de prueba y se encontró que el conjunto de datos M3 proporcionó resultados más precisos para la escala mensual, mientras que el conjunto de datos M1 superó a los otros dos conjuntos de datos en la escala diaria. En la escala mensual, también se agregó una entrada de periodicidad para ver el efecto en la precisión de la predicción. Se encontró que la entrada de periodicidad mejoró la precisión de la predicción de los modelos. También se encontró que las entradas basadas en la precipitación no proporcionaron resultados muy precisos en comparación con las entradas basadas en la temperatura. Los resultados del estudio recomiendan el uso de RVFL-WCAMFO en la modelización de la temperatura del aire.
Descripción
La modelización precisa de la temperatura del aire es crucial para un ambiente sostenible. En este estudio, se examina un modelo novedoso de aprendizaje automático optimizado binario, el enlace funcional de vector aleatorio (RVFL) con la integración del algoritmo de optimización de llama de polilla (MFO) y el algoritmo de optimización del ciclo del agua (WCA) para estimar las series temporales de temperatura mensual y diaria de la estación climática de Rajshahi en Bangladesh. Se utilizaron varias combinaciones de temperatura y precipitación para predecir las series temporales de temperatura. La capacidad predictiva del modelo novedoso de aprendizaje automático optimizado binario (RVFL-WCAMFO) se comparó con los modelos de aprendizaje automático optimizados individualmente (RVFL-WCA y RVFL-MFO) y el modelo de aprendizaje automático independiente (RVFL). Se utilizaron los índices estadísticos de error cuadrático medio (RMSE), error absoluto medio (MAE), eficiencia de Nash-Sutcliffe (NSE) y coeficiente de determinación (R) para evaluar la capacidad predictiva de los modelos seleccionados. El modelo propuesto de aprendizaje automático optimizado binario (RVFL-WCAMFO) superó a los otros modelos de aprendizaje automático optimizados individualmente y al modelo de aprendizaje automático independiente en la predicción de las series temporales de temperatura del aire en ambas escalas, es decir, diaria y mensual. Se aplicó la técnica de validación cruzada para determinar el mejor conjunto de datos de prueba y se encontró que el conjunto de datos M3 proporcionó resultados más precisos para la escala mensual, mientras que el conjunto de datos M1 superó a los otros dos conjuntos de datos en la escala diaria. En la escala mensual, también se agregó una entrada de periodicidad para ver el efecto en la precisión de la predicción. Se encontró que la entrada de periodicidad mejoró la precisión de la predicción de los modelos. También se encontró que las entradas basadas en la precipitación no proporcionaron resultados muy precisos en comparación con las entradas basadas en la temperatura. Los resultados del estudio recomiendan el uso de RVFL-WCAMFO en la modelización de la temperatura del aire.