Nadomeščanje manjkajočih opazovanj temperature s pomočjo meritev drugih meteoroloških parametrovSKOK, ARJAN (Avtor) Faganeli Pucer, Jana (Mentor) vremetemperaturačasovne vrstestrojno učenjeumetna inteligencanevronske mrežeimputacijakonvolucijska nevronska mrežaimputacijaTočni meteorološki podatki, še posebej temperatura, so ključnega pomena v širokem naboru področij, od izdelave vremenskih napovedi, do industrijskih in raziskovalnih potreb. Agencija Republike Slovenije za okolje se sooča s težavo, da se v njihovih podatkih pojavljajo manjkajoče meritve temperature. Cilj naše diplomske naloge je bil razviti in preizkusiti več različnih modelov strojnega učenja, ki bodo nadomestili manjkajoče vrednosti s čim manjšo napako, ko na določeni postaji pride zgolj do izpada temperature, ostali podatki pa so nam na voljo. Metode smo učili in testirali na podatkih 97 postaj. Podatke od leta 2016 do 2022 smo uporabili za učno množico, medtem ko smo podatke leta 2023 in 2024 uporabili kot testno množico. Najbolj se je izkazala metoda, ki je temeljila na konvolucijski nevronski mreži, in sicer s povprečno absolutno napako 0.4°C za izpade do dolžine 2 ur in pol.20252025-03-24 14:40:00Diplomsko delo/naloga168003VisID: 37550COBISS_ID: 232269315sl