Modelowanie różnic parametrów termicznych powietrza mierzonych metodami standardową i automatyczną

• Autorzy: Kajewska-Szkudlarek J.

Warianty tytułu

EN

Neural network modelling of air temperature differences measured with standard and automatic method

• Języki publikacji: PL

Abstrakty

PL

W pracy analizowano szeregi czasowe dobowych różnic między wynikami standardowych i automatycznych pomiarów trzech parametrów termicznych powietrza – temperatury średniej, maksymalnej i minimalnej. Celem pracy było stworzenie modelu analizowanych szeregów czasowych z wykorzystaniem sztucznych sieci neuronowych, które posłużyły do identyfikacji pojawiających się w nich wzorców oraz ich powtarzalności. Wykorzystano wyniki badań prowadzonych w okresie 2000-2009 na terenie Obserwatorium Uniwersytetu Przyrodniczego Wrocław- Swojec. Do realizacji założonego celu wykorzystano sieci perceptronowe o pojedynczej warstwie ukrytej, stworzone w programie MATLAB (Neural Network Toolbox) oraz STATISTICA 10. Analizowano architekturę opracowanych sieci, liczbę cykli w procesie uczenia, zmiany wartości błędu średniokwadratowego i zależności między wartościami parametrów uzyskanych z pomiarów za pomocą przyrządów meteorologicznych oraz prognozowanych przez sieci. Pomimo wielu prób nie uzyskano modelu o zadowalającej jakości. Stwierdzono, że szeregi czasowe miały charakter białego szumu, czyli występowanie różnic między obiema metodami pomiaru temperatury powietrza cechowała losowość i brak wyraźnej cykliczności oraz trendu.

EN

The paper presents an analysis of time series concerning diurnal differences between standard and automatic results of measurements of three air thermal parameters – mean (Tm), maximum (Tmax) and minimum (Tmin) temperature. By means of artificial neural networks an attempt at identification of the occurring patterns and their repetition was made. The study was conducted in the period of 2000-2009 on the site of Agro- and Hydrometeorology Observatory Wroclaw-Swojec which belongs to the Wroclaw University of Environmental and Life Sciences. In order to achieve the intended aim, single-layer perceptron networks were used, created in MATLAB (Neural Network Toolbox) and STATISTICA 10. The following aspects were subjected to the analysis: the architecture of the developed networks, the number of cycles in the learning process, the changes in Mean Squared Error (MSE), and the correlations between the values of the parameters obtained by means of meteorological instruments and the ones prognosticated by the networks. Despite multiple attempts, no model of satisfying quality was obtained. It was concluded that the nature of the time series was that of white noise, meaning that the occurrence of differences between both air temperature measurement methods were characterised by randomness and a lack of visible circularity and trend.

Słowa kluczowe

PL

powietrze; temperatura powietrza; parametry termiczne; sieci neuronowe; modelowanie

EN

air; air temperature; thermal parameter; neural network; modelling

• Wydawca: -
• Czasopismo: Acta Agrophysica
• Rocznik: 2016
• Tom: 23
• Numer: 3
• Opis fizyczny: s.409-419,rys.,tab.,wykr.,bibliogr.

Twórcy

autor

Kajewska-Szkudlarek J.

• Instytut Inżynierii Środowiska, Uniwersytet Przyrodniczy we Wrocławiu, plac Grunwaldzki 24, 50-365 Wrocław

Bibliografia

• Demuth H., Beale M., 2000. Neural network toolbox for use with MATLAB. Users Guide Version 4. The MathWorks Inc. Natic, Maine.
• Kajewska J., 2011. Ocena wybranych parametrów agrometeorologicznych mierzonych przyrządami klasycznymi i za pomocą stacji automatycznej. Rozprawa doktorska. Maszynopis. Dostępny w Bibliotece Głównej Uniwersytetu Przyrodniczego we Wrocławiu ss. 158.
• Kajewska J., Rojek M., 2010. Statistical analysis of relative air humidity and saturation deficit measurement results according to standard and automatic methods in Wrocław-Swojec Observatory from the period 2000-2009. Acta Agroph., Rozprawy i Monografie, (5), 184, 66-81.
• Kajewska-Szkudlarek J., 2012, Wykorzystanie szeregów czasowych do oceny różnic temperatury powietrza mierzonej metodą klasyczną i automatyczną. Woda-Środowisko-Obszary Wiejskie, 12, 4(40), 151-162.
• Kajewska-Szkudlarek J., Rojek M., 2015. Mean daily values of bare soil temperature measured and calculated with the standard and automatic methods. Geogr. Pol., 88(3), 455-465, doi: http://dx.doi.org/10.7163/GPol.0028.
• Lazzus J.A., 2014. Estimation of surface soil temperature based on neural network modeling, Ital. J. Agrometeorol., 19(2), 5-12.
• Mihalakakou G., Flocas H.A., Santamouris M., Helmis C.G., 2002. Application of Neural Networks to the Simulation of the Heat Island over Athens, Greece, Using Synoptic Types as a Predictor. J. Appl. Meteorol., 41, 519-527, doi: http://dx.doi.org/10.1175/1520-0450(2002)041<0519:AONNTT >2.0. CO;2.
• Mihalakakou G., Santamouris M., Asimakopoulos D., 1998. Modeling ambient air temperature time series using neural networks. J. Geophys. Res., 103(D16), 19509-19517, doi: 10.1029/98JD02002.
• Oliveira A.P., Soares J., Boznar M.Z., Mlakar P., Escobedo J.F., 2006. An Application of Neural Network Technique to Correct the Dome Temperature Effects on Pyrgeometer Measurements. J. Atmos. Ocean. Tech., 23, 80-89, doi: http://dx.doi.org/10.1175/JTECH1829.1.
• Reusch D.B., Alley R.B., 2002. Automatic Weather Stations and Artificial Neural Networks: Improving the Instrumental Record in West Antarctica. Mon. Weather Rev., 130, 3037-3053, doi: http://dx.doi.org/10.1175/1520-0493(2002)130<3037:AWSAAN>2.0.CO;2.
• Shank D.B., Hoogenboom G., McClendon R.W., 2008. Dewpoint Temperature Prediction Using Artificial Neural Networks. J. Appl. Meteorol. Climatol., 47, 1757-1769, doi: http://dx.doi.org/10.1175/2007JAMC1693.1.
• Silverman D., Dracup J.A., 2000. Artificial Neural Networks and Long-Range Precipitation Prediction in California. J. Appl. Meteorol., 39, 57-66, doi: http://dx.doi.org/10.1175/1520-0450(2000)039<0057:ANNALR>2.0.CO;2.
• Tabari H., Hosseinzadeh Talaee P., Willems P., 2015. Short-term forecasting of soil temperature using artificial neural network. Meteorol. Appl., 22, 576-585, doi: 10.1002/met.1489.
• Ustaoglu B., Cigizoglu H.K., Karaca M., 2008. Forecast of daily mean, maximum and minimum temperature time series by three artificial neural network methods, Meteorol. Appl., 15, 431-445, doi: 10.1002/met.83.
• Voyant C., Randimbivololona P., Nivet M.L., Paoli C., Muselli M., 2014. Twenty four hours ahead global irradiation forecasting using multi-layer perceptron. Meteorol. Appl., 21, 644-655, doi: 10.1002/met.1387.