利用机器学习方法在法尔斯省进行霜冻预测
机器学习
2024-01-23 v1
摘要
气象学和农业中常见的灾害和问题之一是霜冻、寒害或冻结问题。当最低环境温度降至某一特定值以下时，就会发生此事件。这种现象对国家，特别是法尔斯省造成了大量损害。解决这个问题要求我们在预测最低温度的同时，能够提供足够的时间来实施必要的措施。联合国粮农组织（FAO）提供了经验方法，可以预测最低温度，但不够及时。除此之外，我们可以使用机器学习方法对最低温度进行建模。在本研究中，我们使用了三种方法：门控循环单元（GRU）、时序卷积网络（TCN）作为深度学习方法，以及梯度提升。我们为基于深度学习的方法设计了一个定制的损失函数，这可以有效减少预测误差。使用基于深度学习模型的方法，与经验方法相比，我们不仅观察到 RMSE 误差降低，而且有更多时间预测最低温度。因此，通过拥有当前 24 小时的数据，我们可以预测未来 24 小时的最低温度。使用梯度提升模型，我们可以保持与深度学习相同的预测时间，并降低 RMSE 误差。最后，我们通过实验得出结论，机器学习方法优于经验方法，且在所有已实现的方法中，XGBoost 模型在此问题上具有更好的性能。
引用
@article{arxiv.2401.11462,
title = {Frost Prediction Using Machine Learning Methods in Fars Province},
author = {Milad Barooni and Koorush Ziarati and Ali Barooni},
journal= {arXiv preprint arXiv:2401.11462},
year = {2024}
}
备注
Accpeted by 28th International Computer Conference, Computer Society of Iran (CSICC)