Warning message

Nemate dozvolu za prikaz ovog resursa!
prikaz prve stranice dokumenta Korekcija predikcija meteoroloških parametara metodama strojnog učenja
Rad nije dostupan
diplomski rad
Korekcija predikcija meteoroloških parametara metodama strojnog učenja
2022. urn:nbn:hr:168:495969
Pustak, Andrej
Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva

Citirajte ovaj rad

Pustak, A. (2022). Korekcija predikcija meteoroloških parametara metodama strojnog učenja (Diplomski rad). Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:168:495969

Pustak, Andrej. "Korekcija predikcija meteoroloških parametara metodama strojnog učenja." Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2022. https://urn.nsk.hr/urn:nbn:hr:168:495969

Pustak, Andrej. "Korekcija predikcija meteoroloških parametara metodama strojnog učenja." Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2022. https://urn.nsk.hr/urn:nbn:hr:168:495969

Pustak, A. (2022). 'Korekcija predikcija meteoroloških parametara metodama strojnog učenja', Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, citirano: 21.08.2024., https://urn.nsk.hr/urn:nbn:hr:168:495969

Pustak A. Korekcija predikcija meteoroloških parametara metodama strojnog učenja [Diplomski rad]. Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva; 2022 [pristupljeno 21.08.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:495969

A. Pustak, "Korekcija predikcija meteoroloških parametara metodama strojnog učenja", Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, Zagreb, 2022. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:495969

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:168:495969
Prijavite se u repozitorij kako biste mogli spremiti objekt u svoju listu.
Podaci o radu
NaslovKorekcija predikcija meteoroloških parametara metodama strojnog učenja
Naslov (engleski)Correcting the predictions of weather parameters by machine learning techniques
AutorAndrej Pustak
MentorTomislav Capuder (mentor)
Član povjerenstvaTomislav Capuder (predsjednik povjerenstva)
Član povjerenstvaBožidar Filipović-Grčić (član povjerenstva)
Član povjerenstvaViktor Milardić (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva
Zagreb
Datum i država obrane2022-07-15, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		TEHNIČKE ZNANOSTI
Računarstvo
Sažetak
U ovome diplomskom radu napravljene su korekcije predikcija numeričkog meteorološkog modela metodama učenja. Numeričkom modelu je potrebno nekoliko sati da obavi sve kalkulacije od početka pokretanja te mi u međuvremenu dobijemo prava mjerenja. Tu se javlja mogućnost usporedbe tih dobivenih predikcija i dobivenih mjerenja te korekcije ostatka predikcija. Metode strojnog učenje koje su korištene su regresija potpornim vektorima te duboke neuronske mreže. Korekcija je napravljena na pet vremenskih parametara: temperaturi, brzini i smjeru vjetra, sunčevoj radijaciji te relativnoj vlazi zraka. Za svaki od modela strojnog provedena je evaluacija indikatorima uspješnosti kao što su MSE, RMSE i R2 ocjena te su rezultati evaluacije modela strojnog uspoređeni sa evaluacijom predikcija numeričkog meteorološkog modela.
Sažetak (engleski)
The goal of this thesis was to make and evaluate machine learning models whose purpose was correcting the predictions of numerical weather prediction model. Numerical weather prediction takes several hours to fully finish all calculations during which we get true measurements from meteorological stations. That means that when the NWP model releases the results, we have the measurements for the first several hours which we can use to correct the rest of the predictions if necessary. Machine learning methods that were used were support vector regression and deep neural networks. The correction was made for five weather parameters: temperature, wind speed and direction, radiation, and relative humidity. Each of the machine learning models was evaluated using performance indicators like MSE, RMSE and R2 score.
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:168:495969
Studijski programNaziv: Računarstvo
Vrsta studija: sveučilišni
Stupanj studija: diplomski
Akademski / stručni naziv: magistar/magistra inženjer/inženjerka računarstva (mag.ing.comp.)
Vrsta resursaTekst
Način izrade datotekeIzvorno digitalna
Prava pristupaZatvoreni pristup
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
Javna napomena
Datum i vrijeme pohrane2023-01-14 09:46:01