KNN-WG 1.0
Pobieranie będzie można pobrać w ciągu 5 sekund.
O KNN-WG
K-najbliższych sąsiadów (K-NN) jest analogiczne podejście. Ta metoda ma swoje źródło jako nie parametryczna procedura rozpoznawania wzorców statystycznych w celu rozróżnienia między różnymi wzorami zgodnie z kryterium wyboru. Dzięki tej metodzie naukowcy mogą generować przyszłe dane. Innymi słowy KNN jest techniką, która warunkowo ponownie przykłada wartości z obserwowanego rekordu na podstawie zależności warunkowej specied. KNN jest najprostszym podejściem. Najbardziej obiecującą techniką niesegiematyczną do generowania danych pogodowych jest podejście do ponownegompamplingu K-nearest neighbor (K-NN). Metoda K-NN opiera się na rozpoznaniu podobnego wzorca docelowego le w historycznych obserwowanych danych pogodowych, które mogłyby zostać wykorzystane jako zmniejszenie roku docelowego (Young, 1994; Yates, 2003; Eum et al., 2010). Rok docelowy jest początkowym materiałem siewnym danych, które wraz z danymi historycznymi są do uruchamiania modelu. Metoda ta opiera się na założeniu, że rzeczywiste dane pogodowe zaobserwowane w roku docelowym mogą być replikacją pogody zarejestrowanej w przeszłości. Technika k-NN nie używa żadnych wstępnie zdefiniowanych funkcji matematycznych do oszacowania zmiennej docelowej. W rzeczywistości algorytm tej metody zazwyczaj polega na wybraniu określonej liczby dni podobnych pod względem cech do dnia zainteresowania. Jeden z tych dni jest losowo resampled do reprezentowania pogody następnego dnia w okresie symulacji. Najbliższe podejście sąsiada polega na jednoczesnym pobieraniu próbek zmiennych pogodowych, takich jak opady i temperatura. Pobieranie próbek odbywa się na podstawie zaobserwowanych danych, z zastąpieniem. Metoda K-NN jest szeroko stosowana w rolnictwie (Bannayan i Hoogenboom, 2009), leśnictwie (Lopez et al., 2001) i hydrologii (Clark et al., 2004; Yates et al., 2003).