Variacija vzorčenja učnih primerov za učenje parametričnih modelov za poprocesiranje vremenskih napovediPokorn, Matic (Avtor) Faganeli Pucer, Jana (Mentor) ansambelnapovedovanje vremenapoprocesiranjeEMOSEMOS je priljubljen model strojnega učenja, ki se v meteorologiji uporablja za poprocesiranje vremenskih napovedi ansamblov. V diplomski nalogi model učimo na napovedih temperature zraka 11-članskega ansambla in raziščemo, kako spremembe v učnih podatkih vplivajo na učenje modela EMOS. Učne podatke spreminjamo z uvedbo pristopov drsečega in fiksnega okna in s spreminjanjem njunih dolžin, uporabimo pa tudi regularizacijo in dodamo podatke o klimatoloških razmerah. Napovedi modela ovrednotimo z metrikami CRPS, RMSE in MAE ter zaključimo, da z poprocesiranjem z najboljšo konfiguracijo modela EMOS dosežemo v povprečju za 23,97% boljše napovedi kot z uporabo neobdelanega ansambla.20232023-09-08 12:05:00Diplomsko delo/naloga149707VisID: 36563COBISS_ID: 165621251sl