Comparative Analysis of LSTM and GRU Neural Networks for Precipitation Forecasting Using Historical Meteorological Data
Year: 2025
Type: article
Abstract: در این مطالعه، مقایسه الگوریتم‌های LSTM و GRU در پیش‌بینی وقوع بارش با استفاده از داده‌های هواشناسی تاریخی مد نظر است. با توجه به عدم دسترسی به داده‌های کامل هواشناسی داخلی چندساله، در این مطالعه از یک پایگاه داده از داده‌های هواشناسی برخی از شهرهای اروپا استفاده شد. پنج ایستگاه هواشناسی که هر کدام متعلق به اقلیم متفاوتی بودند، انتخاب شدند و دقت مدل بر روی داده‌های به‌دست آمده از این ایستگاه‌ها محاسبه شد. در این تحقیق از دو الگوریتم حافظه کوتاه‌مدت بلند (LSTM) و واحد بازگشتی دروازه‌ای (GRU) استفاده شد. برای ارزیابی کارایی مدل‌های توسعه‌یافته در این مطالعه، از معیارهای ماتریس درهم‌ریختگی و نمودارهای مشخصه عملکرد گیرنده (ROC) و دقت-فراخوانی استفاده شد. نتایج به‌دست آمده از تجزیه و تحلیل ماتریس‌های درهم‌ریختگی نشان داد که کارایی دو الگوریتم در پیش‌بینی وقوع بارش تقریباً مشابه است. از نظر عددی، میانگین مقادیر فراخوانی، ویژگی، دقت و صحت الگوریتم LSTM به‌ترتیب 67/0، 84/0، 75/0 و 79/0 و مقادیر مربوطه برای الگوریتم GRU به‌ترتیب 65/0، 84/0، 74/0 و 78/0 بود. از نظر مقایسه عملکرد این دو الگوریتم، اگرچه با توجه به بالاتر بودن مقادير بيشتر شاخص‌هاي ارزيابي كننده مربوط به الگوريتم LSTM نسبت به GRU، به ظاهر الگوریتم LSTM عملکرد بهتری داشته است؛ اما عملکرد کلی آن‌ها از نظر آماري با توجه به عدم وجود اختلاف معنیدار بین شاخص‌های ارزیابی کننده مشابه بوده است.
Author: Ahmadi, Iman
Institution: Islamic Azad University, Isfahan
Language: English
Subfield: Environmental Engineering
Field: Environmental Science
Domain: Physical Sciences
SDG: Climate action
Open Access status: hybrid
OpenAlex ID: W7106215718
FWCI:
Cites:
Cited by:
Related to: