KNN-WG 1.0
Sarai in grado di scaricare in 5 secondi.
Circa KNN-WG
I vicini più vicini di K (K-NN) sono un approccio analogo. Questo metodo ha la sua origine come procedura di riconoscimento dei modelli statistici non parametrici per distinguere tra modelli diversi in base a un criterio di selezione. Attraverso questo metodo, i ricercatori possono generare dati futuri. In altre parole, il KNN è una tecnica che ricampiona condizionatamente i valori del record osservato in base alla relazione condizionale specied. Il KNN è l'approccio più semplice. La tecnica non parametrica più promettente per generare dati meteorologici è l'approccio di ricampionamento K-nearest neighbor (K-NN). Il metodo K-NN si basa sul riconoscimento di un modello simile di target le all'interno dei dati meteorologici storici osservati che potrebbero essere utilizzati come riduzione dell'anno obiettivo (Young, 1994; Yates, 2003; Eum et al., 2010). L'anno target è il primo seme di dati che, insieme ai dati storici, sono richiesti come les di ingresso per l'esecuzione del modello. Questo metodo si basa sul presupposto che i dati meteorologici effettivi osservati durante l'anno target potrebbero essere una replica del tempo registrato in passato. La tecnica k-NN non utilizza funzioni matematiche predened per stimare una variabile bersaglio. In realtà, l'algoritmo di questo metodo in genere prevede la selezione di un numero di giorni specifiche simile nelle caratteristiche al giorno di interesse. Uno di questi giorni viene ricampionato casualmente per rappresentare il tempo del giorno successivo nel periodo di simulazione. L'approccio vicino più vicino prevede il campionamento simultaneo delle variabili meteorologiche, come precipitazioni e temperatura. Il campionamento viene effettuato sulla base dei dati osservati, con sostituzione. Il metodo K-NN è ampiamente usato in agricoltura (Bannayan e Hoogenboom, 2009), silvicoltura (Lopez et al., 2001) e idrologia (Clark et al., 2004; Yates et al., 2003).