بکارگیری تکنیک خوشه بندی در بهبود پیش بینی امواج ناشی از باد (مطالعه موردی: خلیج مکزیک)

در این مطالعه با استفاده از داده‌های سه‌ساله هواشناسی شامل سرعت باد میانگین، تندباد، فشار هوا، اختلاف دمای هوا و آب، مدت‌زمان تداوم وزش باد، طول موجگاه، ارتفاع امواج برای چهار بویه مستقر در خلیج مکزیک پیش‌بینی‌شده است. بدین منظور از ترکیب الگوریتم kmeans و شبکه عصبی استفاده گردیده است. در ابتدا جهت حذف تاثیر روند فصلی بر روی محاسبه ارتفاع موج، ترتیب داده‌های ساعتی ثبت شده به صورت نامنظم در کنار یکدیگر قرار گرفته شدند. سپس داده‌های هواشناسی با استفاده از الگوریتم kmeans از k=1 تا k=10 خوشه گروه‌بندی شدند. خوشه‌های تفکیک‌شده هر یک به‌عنوان ورودی مدل mlp معرفی و میانگین شاخص rmse برای k تا خوشه محاسبه گردید. نتایج نشان داد که در اکثر بویه‌ها، تعداد خوشه بهینه برای پیش بینی ارتفاع موج، مقادیر بین 8 تا 10 است. بعلاوه مقایسه نتایج این تحقیق با مطالعات پیشین نشان داد که در تحقیقات گذشته پیش‌بینی با انتخاب ورودی‌های ارتفاع امواج ثبت‌شده بویه‌های مجاور، به‌کارگیری تاخیرهای زمانی ارتفاع موج یا برخس از پارامترهای هواشناسی بوده است، درحالی‌که در این تحقیق جهت افزایش دقت پیش‌بینی تنها از پارامترهای هواشناسی به‌عنوان ورودی استفاده‌شده است که دقت نسبتاً مناسبی را داراست. بنابراین کاربرد عملیاتی این مقاله به این صورت است که به‌کارگیری تکنیک خوشه بندی سبب افزایش دقت تخمین در ارتفاع موج می‌شود و یافتن مرزهای طبقه بندی داده ها نیازمند به روش های تجربی دقیق تری از روش cem می باشد.

Application of clustering technique to improve prediction of windinduced (Case Study: Gulf of Mexico)

In this study, wave height for four buoyes in the Gulf of Mexico predicted using wind and wave characteristics such as mean wind speed, wind gust, wind pressure, air temperature and water temperature difference, duration and fetch length. For this purpose, the combination of kmeans algorithm and the neural network has been used. Initially, the data were sorted to eliminate the effect of the seasonal process in calculating the wave height, and then the meteorological data clustered using the kmeans algorithm from k=1 to k=10. The specified clusters were introduced as inputs of the MLP model and the mean RMSE index for k cluster was calculated. The results showed that in most buoys, the optimum number of clusters is between 8 and 10. In addition, Comparison of the results of this study with other studies showed that in previous studies, the prediction was based on the inputs of the recorded wave height of adjacent buoys or wave time delay has been applied. While in this research, only meteorological parameters have been used as inputs to increase the accuracy of prediction, which has a fairly good accuracy. Therefore, using the clustering technique increases the accuracy of the estimation at wave height.