Дата публикации: 2022

Дата публикации в реестре: 2022-10-06T16:32:16Z

Аннотация:

Прогноз ежедневных осадков играет важную роль в производительности сельского хозяйства и обеспечивает снабжение продовольствием и водой для поддержания здоровья граждан. Но неустойчивое распределение осадков в стране влияет на сельское хозяйство, от которого зависит экономика страны. Разумное использование дождевой воды должно планироваться и практиковаться в странах, чтобы свести к минимуму проблему засухи и наводнений. Основная цель этого исследования заключается в выявлении соответствующих атмосферных особенностей, которые вызывают осадки, и прогнозировании интенсивности ежедневных осадков с помощью методов машинного обучения. Для прогнозирования осадков было проведено несколько видов исследований с использованием методов интеллектуального анализа данных и машинного обучения наборами экологических данных. Метод корреляции Пирсона использовался для выбора соответствующих переменных окружающей среды, которые использовались в качестве входных данных для модели машинного обучения. Набор данных был собран в местном метеорологическом отделении в Минске, Беларусь, для измерения эффективности двух методов машинного обучения (многомерная линейная регрессия и случайный лес). The forecast of daily rainfall plays an important role in agricultural productivity and ensures food and water supplies to keep citizens healthy. But the country's erratic distribution of rainfall affects agriculture, on which the country's economy depends. The wise use of rainwater should be planned and practiced in countries to minimize the problem of drought and floods. The main goal of this study is to identify the relevant atmospheric features that cause precipitation and predict the intensity of daily precipitation using machine learning methods. Several types of research have been conducted to predict rainfall using data mining and machine learning methods on environmental datasets. The Pearson correlation method was used to select appropriate environmental variables that were used as input to the machine learning model. The dataset was collected at the local meteorological office in Minsk, Belarus to measure the performance of two machine learning methods (multivariate linear regression and random forest).

Тип: Article