آقای محسن مشکی دانشجوی دکترای جناب آقای دکتر دکتر پیمان کبیری روز شنبه مورخ ۹۴/۱۲/۸  از رساله دکترای خود تحت عنوان "مدلسازی مقیاس‌پذیر و مبتنی بر داده آب‌وهوا برای پیش‌بینی کوتاه‌مدت " دفاع نمود و موفق به کسب نمره خیلی خوب گردید.

چکیده

در این پایان‌نامه، یک چارچوب جدید برپایه­ی داده و مقیاس‌پذیر برای پیش‌بینی کوتاه مدت آب‌وهوا پیشنهاد می‌شود. این مدل، مانند مدل‌های پیش‌بینی عددی نیازی به دانش تحلیلی در مورد جو ندارد و بر پایه‌ی تاریخچه‌ای از داده‌ها که وضعیت آب‌وهوا را در گذشته توصیف می‌کنند، ساخته می‌شود. مقیاس‌پذیری روش پیشنهادی سبب می‌شود تا بتواند بده بستان بین دقت و سرعت اجرای مدل را کنترل کند. به زبان دیگر، مدل می‌توان کُند و دقیق‌تر پیش‌بینی کند و یا سریع و کم دقت اجرا شود. چارچوب پیشنهادی، یک مدل سراسری را پیشنهاد می‌کند که مجموعه‌ای از مدل‌های کوچک و محلی آن را می‌سازند. این مدل‌های محلی، هر کدام برای پیش‌بینی یک پارامتر در یک نقطه‌ی داده‌ای بکار می‌رود. هر مدل محلی، باید همه پارامترهای تاثیرگذاری که در همسایگی نقطه مورد نظر وجود دارد را به پارامتر مورد نظر در آن نقطه نگاشت کند. از آنجا که پارامترهای تاثیرگذار در همسایگی نقطه می‌توانند بسیار زیاد باشند، هر مدل محلی دارای یک پیمانه انتخاب ویژگی است که پارامترها را پالایش کرده و به گونه­ای چشمگیری تعداد آنها را کاهش می‌دهد. هر مدل محلی، علاوه بر پیمانه انتخاب ویژگی یک پیمانه رگرسیون ترکیبی دارد که پارامترهای کاهش یافته را به پارامتر هدف نگاشت می‌کند. خروجی هر مدل محلی بخشی از وضعیت سراسری سامانه است.

در این پایان‌نامه، علاوه بر پیشنهاد چارچوبی برای مدلسازی جو، روش‌های بهبود یافته‌ای برای انتخاب ویژگی و رگرسیون ترکیبی پیشنهاد شده است که نتایج تجربی نشان می‌دهد نسبت به روش‌های مشابه از کیفیت بالاتری برخوردارند. نکته مهم‌تر اینکه، هر دو پیمانه‌ی انتخاب ویژگی و رگرسیون ترکیبی دارای پارامترهایی هستند که می‌توان به کمک آنها مقیاس‌پذیری پردازشی را در پیمانه‌ها و به دنبال آن در کل چهارچوب پیشنهادی کنترل کرد. چارچوب پیشنهادی روی داده‌های استاندارد NCEP اعمال شد. نتایج پیاده‌سازی نشان می‌دهد که روش پیشنهادی علاوه بر برخورداری از ویژگی مقیاس‌پذیری، در برخی نقاط دارای دقت پیش‌بینی قابل مقایسه با سامانه‌ی پیش‌بینی عددی آب‌وهوای GFS است.       

واژه‌های کلیدی: پیش‌بینی عددی، گوارد داده‌ها، رگرسیون ترکیبی، انتخاب ویژگی.

  :Abstract

The earth’s atmosphere is a complex system and its short range forecasting is an open and difficult problem. Almost all proposed systems use numerical models for weather forecasting. These models use a set of partially differential equations and apply them to a heterogenous cordinate system that partitions the under study region into a 3D grid of similar cells. Complexity and precision of models are directly affected by the patially differential equations. Therefore, once there is not enough knowledge about the system, constructing the prediction model becomes impossible or the precision of constructed model is reduces.

In this thesis, a new scalable and data-driven framework is proposed for short-range weather forecasting. This famework has no need for analytical knowledge about the atmosphere and is constructed based on a data history that describes state of the atmosphere in the past. In addition it can control the trade-off between speed and accuracy. In other words, it can forecast slow and accurate or it can run fast and inaccurate.

The proposed famework, includes a global model that consists of a set of small and local models. Each local model is used to forecast a parameter in a specific point. Each local model should map from all potentially effective parameters in the neighborhood of the point to the corresponding parameter. Considering the huge number of potentially effective parameters, each local model has a feature selection module that filters parameters and significantly reduces them. In addition to feature selection module, each local model has a regression ensemble module that maps selected parameters in to target parameters. The output of each local model is a part of the whole state of the system.

In this thesis, proposing a new framework for atmosphere modeling, several improved methods are proposed for feature selection and regression ensemble that have superior effeciency compared to similar reported methods. The proposed framework is applied to the standard NCEP dataset from 1999 to 2010. The implementation results show that the proposed method is not only scalable but also its forecasting precision is comparable to well-known numerical weather forecasting systems such as GFS.

Keywords:

Numerical Weather Prediction, Data Assimilation, Regression Ensemble, Feature Selection.

.

  ارائه­ دهنده:

محسن مشکی

در رشته مهندسی کامپیوتر گرایش هوش مصنوعی و رباتیک

  استاد راهنما:

 دکتر پیمان کبیری

استاد مشاور:

دکتر علیرضا محب‌الحجه

  هیات داوران:

 دکتر محسن سریانی،دکتر محمدرضا کنگاوری و دکتر محمدرضا جاهد مطلق

اساتید مدعو:

دکتر محمد تشنه‌لب، دکتر محمدحسن قاسمیان

  زمان :

شنبه ۸ اسفند ماه ۱۳۹۴

  ساعت : ۱۳:۰۰

  مکان: دانشکده مهندسی کامپیوتر- طبقه دوم- اتاق دفاعیه دکتری

  دانشکده مهندسی کامپیوتر مدیریت تحصیلات تکمیلی