KNN-WG 1.0
Je het binnen 5 seconden downloaden.
Over KNN-WG
De K-dichtstbijzijnde buren (K-NN) is een analoge benadering. Deze methode heeft zijn oorsprong als een niet-parametrische statistische patroonherkenningsprocedure om onderscheid te maken tussen verschillende patronen volgens een selectiecriterium. Via deze methode kunnen onderzoekers toekomstige gegevens genereren. Met andere woorden, de KNN is een techniek die de waarden op basis van de voorwaardelijke relatie voorwaardelijk opnieuw bemonstert op basis van de voorwaardelijke relatie. De KNN is de meest eenvoudige aanpak. De meest veelbelovende niet-parametrische techniek voor het genereren van weersgegevens is de K-nearest neighbor (K-NN) resampling aanpak. De K-NN-methode is gebaseerd op het herkennen van een vergelijkbaar patroon van doel le binnen de historische waargenomen weersgegevens die kunnen worden gebruikt als vermindering van het streefjaar (Young, 1994; Yates, 2003; Eum et al., 2010). Het streefjaar is het eerste zaad van gegevens dat, samen met de historische gegevens, invoer les voor het uitvoeren van het model. Deze methode is gebaseerd op de veronderstelling dat de werkelijke weersgegevens die tijdens het streefjaar zijn waargenomen, een replicatie van het weer kunnen zijn dat in het verleden is geregistreerd. De k-NN-techniek gebruikt geen wiskundige functies die vooraf zijn om een doelvariabele te schatten. Eigenlijk, het algoritme van deze methode meestal gaat het selecteren van een specied aantal dagen vergelijkbaar in kenmerken aan de dag van belang. Een van deze dagen wordt willekeurig opnieuw gesampled om het weer van de volgende dag in de simulatieperiode weer te geven. De dichtstbijzijnde buurman benadering omvat gelijktijdige bemonstering van het weer variabelen, zoals neerslag en temperatuur. De bemonstering wordt uitgevoerd op uit de waargenomen gegevens, met vervanging. De K-NN-methode wordt veel gebruikt in de landbouw (Bannayan en Hoogenboom, 2009), bosbouw (Lopez et al., 2001) en hydrologie (Clark et al., 2004; Yates et al., 2003).