KNN-WG 1.0
Poderá descarregar em 5 segundos.
Sobre KNN-WG
Os vizinhos K-nearest (K-NN) é uma abordagem análoga. Este método tem a sua origem como um procedimento de reconhecimento de padrões estatísticos não paramétricos para distinguir entre diferentes padrões de acordo com um critério de seleção. Através deste método, os investigadores podem gerar dados futuros. Por outras palavras, a KNN é uma técnica que resaima condicionalmente os valores do registo observado com base na relação condicional especificada. A KNN é uma abordagem mais simples. A técnica não paramétrica mais promissora para gerar dados meteorológicos é a abordagem de resampling do vizinho K-NN (K-NN). O método K-NN baseia-se no reconhecimento de um padrão semelhante de objetivo le dentro dos dados meteorológicos históricos observados que poderiam ser utilizados como redução do ano-alvo (Young, 1994; Yates, 2003; Eum et al., 2010). O ano-alvo é a semente inicial de dados que, juntamente com os dados históricos, são necessários como input les para executar o modelo. Este método baseia-se no pressuposto de que os dados meteorológicos reais observados durante o ano-alvo podem ser uma replicação do tempo registado no passado. A técnica k-NN não utiliza quaisquer funções matemáticas pré-enuadas para estimar uma variável-alvo. Na verdade, o algoritmo deste método normalmente envolve selecionar um número espectado de dias semelhante em características ao dia de interesse. Um destes dias é resmaltado aleatoriamente para representar o tempo do dia seguinte no período de simulação. A abordagem do vizinho mais próximo envolve a amostragem simultânea das variáveis meteorológicas, como precipitação e temperatura. A amostragem é efetuada a partir dos dados observados, com substituição. O método K-NN é amplamente utilizado na agricultura (Bannayan e Hoogenboom, 2009), silvicultura (Lopez et al., 2001) e hidrologia (Clark et al., 2004; Yates et al., 2003).