1 / 22

Versengő Meteorológiai Előrejelzések Adatbányászati Támogatással

Versengő Meteorológiai Előrejelzések Adatbányászati Támogatással. Competitive meteorological forecasting supported by data mining tools. Témavezető: Dr. Pitlik László GMI, egyetemi docens. Készítette: Putnoki Gyula GTK, ISZAM, III. évf. Gazdasági Jelentősége.

bellini-fadden
Download Presentation

Versengő Meteorológiai Előrejelzések Adatbányászati Támogatással

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Versengő Meteorológiai Előrejelzések Adatbányászati Támogatással Competitivemeteorologicalforecastingsupportedbydataminingtools

  2. Témavezető: Dr. Pitlik LászlóGMI, egyetemi docens Készítette: Putnoki Gyula GTK, ISZAM, III. évf.

  3. Gazdasági Jelentősége • A primer szektorban dolgozók bizonytalanságának kockázati szintre való csökkentése • Vetéstervezés, FAO-szám, hosszú távú prognózis • Betakarítás-rövid távú előrejelzés • Általános igény

  4. Prognózisok Típusai • Hagyományos rövidtávú • Hagyományos hosszútávú • Hasonlóságelemzéssel(input: prímer adat) • Hasonlóságelemzéssel(input: szekunder adat)

  5. Hagyományos Rövidtávú • 2 hétre előre jelez • Friss prímer adatokra épül(mérőállomások adatai, szondák, műholdképek, légköri modellek) • Komoly meteorológiai felkészültség szükséges • Költséges

  6. Hagyományos Hosszútávú • Két hétnél hosszabb időszakot ölel át • Valós idejű és főleg múltbéli prímer adatokra épül • Statisztikai módszerekkel készül • Komoly statisztikai tudást előfeltételez

  7. Hasonlóságelemzéssel(input: prímer adat) • Rövid és hosszú távú előrejelzésre alkalmas • Korábbi valamint friss mérőállomási adatok képezik a bemenetét • Vizsgálja, hogy mely mérőállomási adat hatott -és ha igen mennyire- a prognosztizált időjárásra • S ebből következtet a bekövetkező időjárásra

  8. Hasonlóságelemzéssel(input: szekunder adat) • A különböző országok egyazon területre vonatkoztatott előrejelzései képezik a szekunder adtok halmazát • Közérdekű adatok térítésmentesen • Jó megoldás az információk képi megjelenítése?

  9. OMSZ-től kapott adatok

  10. fs m/s a szinoptikus szél napi átlaga • fud az uralkodó szélirány • tn °C napi minimumhőmérséklet (előző nap 19h - 19h-ig) • tx °C napi maximumhőmérséklet (előző nap 19h - 19h-ig)

  11. Szélirány transzformáció • szám dátum tx tn fs fud • 44527 2007-01-01 3.9 -3.8 1.5 ESE6 • 44527 2007-01-02 9.5 2.9 2.6 NNW16 • 44527 2007-01-03 7.4 2.4 4.2 NW15

  12. Állomásadatok excellben

  13. COCO-Input

  14. COCO-output

  15. COCO-output

  16. Összefűzés, keresés

  17. Max.hőm. előrejelzés

  18. Max.hőm. előrejelzés

  19. Max.hőm. előrejelzés

  20. Új fejlesztési irány • Előrejelzések összehasonlítása hasonlóságelemzéssel • Adatgyűjtés automatizálása • Kiszámítani és egy honlapon közzétenni az egyes intézetek beválási arányait

  21. Új fejlesztési irány • Garantáltan jó eredmény • Statisztikai átlaggal • Hasonlóságelemzéssel • Piacképes előrejelzés • Média

  22. Köszönöm figyelmüket!

More Related