پیش بینی وقوع امواج سهمگین مبتنی بر متغیرهای هواشناسی با استفاده از روش ترکیبی الگوریتم ضریب داده پرت محلی و شبکه عصبی دسته بندی کننده

به دلیل ماهیت پیچیده تصادفی و غیر خطی امواج، پیش بینی وقوع امواج سهمگین دشوار است. پیش بینی وقوع امواج سهمگین می تواند تا حد زیادی از بروز خسارات جانی و مالی بکاهد. هدف از این تحقیق ارائه یک روش ترکیبی برای پیش بینی وقوع امواج سهمگین از روی متغیرهای هواشناسی با استفاده از روش های داده کاوی ضریب داده پرت محلی و شبکه عصبی مصنوعی دسته بندی کننده است. برای بررسی کارایی مدل ارائه شده از داده های تاریخی متغیرهای هواشناسی برداشت شده طی سه سال از ایستگاه های شماره 41041 و 41004 دو طوفان مشهور dean (2007) و irene (2011) استفاده شده است. ابتدا با استفاده از روش ضریب داده پرت محلی امواج سهمگین شناسایی شده، سپس از خروجی های این روش برای آموزش شبکه عصبی استفاده شده است. از 80 درصد داده های جمع آوری شده برای مرحله آموزش و از مابقی برای مرحله آزمون مدل بکار رفته است. کارایی روش ارائه شده با استفاده از معیارهای متداول بررسی عملکرد روی داده های آموزشی و آزمون بررسی شد؛ نتایج بیانگر عملکرد مناسب روش پیشنهادی در پیش بینی وقوع امواج سهمگین از روی متغیرهای هواشناسی است به طوری که برای هر دو مجموعه داده مورد بررسی دقت میانگین به 99% رسید.

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

Extreme wave height prediction is very challenging due to its very high nonstationarity and nonlinearity 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 LOFANN, 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%).