KNN-WG 1.0
Anda boleh memuat turun dalam masa 5 saat.
Tentang KNN-WG
Jiran-jiran K-terdekat (K-NN) adalah pendekatan yang analogi. Kaedah ini mempunyai asal usulnya sebagai prosedur pengecaman corak statistik bukan parametri untuk membezakan antara corak yang berbeza mengikut kriteria pemilihan. Melalui kaedah ini, penyelidik boleh menjana data masa depan. Dalam erti kata lain, KNN adalah teknik yang secara bersyarat menyiapkan nilai-nilai dari rekod yang diperhatikan berdasarkan hubungan bersyarat yang disepaskan. KNN adalah pendekatan yang paling mudah. Teknik bukan parametri yang paling menjanjikan untuk menjana data cuaca adalah pendekatan resampling jiran K-terdekat (K-NN). Kaedah K-NN adalah berdasarkan mengiktiraf corak sasaran yang sama le dalam data cuaca yang diperhatikan sejarah yang boleh digunakan sebagai pengurangan tahun sasaran (Muda, 1994; Yates, 2003; Eum et al., 2010). Tahun sasaran adalah benih awal data yang, bersama-sama dengan data sejarah, diperlukan sebagai input les untuk menjalankan model. Kaedah ini bergantung kepada andaian bahawa data cuaca sebenar yang diperhatikan pada tahun sasaran boleh menjadi replikasi cuaca yang direkodkan pada masa lalu. Teknik k-NN tidak menggunakan sebarang fungsi matematik yang telah ditetapkan untuk menganggarkan pembolehubah sasaran. Sebenarnya, algoritma kaedah ini biasanya melibatkan memilih bilangan hari yang sama dengan ciri-ciri hingga ke hari kepentingan. Salah satu hari ini secara rawak disamakan semula untuk mewakili cuaca pada keesokan harinya dalam tempoh simulasi. Pendekatan jiran terdekat melibatkan persampelan serentak pembolehubah cuaca, seperti hujan dan suhu. Persampelan dijalankan dari data yang diperhatikan, dengan penggantian. Kaedah K-NN digunakan secara meluas dalam pertanian (Bannayan dan Hoogenboom, 2009), perhutanan (Lopez et al., 2001) dan hidrologi (Clark et al., 2004; Yates et al., 2003).