مقایسه الگوریتم‌های lstm وgru در پیش‌بینی وقوع بارش با استفاده از داده‌های تاریخی هواشناسی

در این مطالعه، مقایسه الگوریتم‌های lstm و gru در پیش‌بینی وقوع بارش با استفاده از داده‌های هواشناسی تاریخی مد نظر است. با توجه به عدم دسترسی به داده‌های کامل هواشناسی داخلی چندساله، در این مطالعه از یک پایگاه داده از داده‌های هواشناسی برخی از شهرهای اروپا استفاده شد. پنج ایستگاه هواشناسی که هر کدام متعلق به اقلیم متفاوتی بودند، انتخاب شدند و دقت مدل بر روی داده‌های به‌دست ‌آمده از این ایستگاه‌ها محاسبه شد. در این تحقیق از دو الگوریتم حافظه کوتاه‌مدت بلند (lstm) و واحد بازگشتی دروازه‌ای (gru) استفاده شد. برای ارزیابی کارایی مدل‌های توسعه‌یافته در این مطالعه، از معیارهای ماتریس درهم‌ریختگی و نمودارهای مشخصه عملکرد گیرنده (roc) و دقت-فراخوانی استفاده شد. نتایج به‌دست ‌آمده از تجزیه و تحلیل ماتریس‌های درهم‌ریختگی نشان داد که کارایی دو الگوریتم در پیش‌بینی وقوع بارش تقریباً مشابه است. از نظر عددی، میانگین مقادیر فراخوانی، ویژگی، دقت و صحت الگوریتم lstm به‌ترتیب 0.67، 0.84، 0.75 و 0.79 و مقادیر مربوطه برای الگوریتم gru به‌ترتیب 0.65، 0.84، 0.74 و 0.78 بود. از نظر مقایسه عملکرد این دو الگوریتم، اگرچه با توجه به بالاتر بودن مقادیر بیشتر شاخص‌های ارزیابی کننده مربوط به الگوریتم lstm نسبت به gru، به ظاهر الگوریتم lstm عملکرد بهتری داشته است؛ اما عملکرد کلی آن‌ها از نظر آماری با توجه به عدم وجود اختلاف معنی‎‌دار بین شاخص‌های ارزیابی کننده مشابه بوده است.

comparative analysis of lstm and gru neural networks for precipitation forecasting using historical meteorological data

in this study، a comparison between lstm and gru algorithms for predicting rainfall occurrence using historical meteorological data is considered. due to the unavailability of complete long-term domestic meteorological data، a database of meteorological data from several european cities was used. five weather stations، each belonging to a different climate، were selected، and model accuracy was calculated based on the data obtained from these stations. this research employed two algorithms: long short-term memory (lstm) and gated recurrent unit (gru). to evaluate the performance of the developed models، confusion matrices، receiver operating characteristic (roc) curves، and precision-recall curves were used. the results from the analysis of the confusion matrices indicated that the performance of the two algorithms in predicting rainfall occurrence was approximately similar. numerically، the average values of recall، specificity، precision، and accuracy for the lstm algorithm were 0.67، 0.84، 0.75، and 0.79، respectively، while the corresponding values for the gru algorithm were 0.65، 0.84، 0.74، and 0.78. regarding the comparison of the two algorithms' performance، although the lstm algorithm appeared to perform better due to its higher values in most evaluation metrics، their overall performance was statistically similar، given the absence of a significant difference between the corresponding evaluation metrics.