عدم قطعیت پیش بینی فرایند تبخیر تحت اثر ترکیبی هموارسازی و جیتر کردن بردار ورودی

کاهش اثرات عدم قطعیت در خروجی مدل های هیدروکلیماتولوژیکی از نظر کاهش ریسک عملیاتی و افزایش اطمینان به این مدل ها در کاربردهای عملی ضروری و چالش برانگیز است. یکی از راه های دستیابی به این هدف را می توان از طریق کاهش اثر عدم قطعیت داده ها بررسی کرد. هدف اصلیت حقیق حاضر کمی سازی عدم قطعیت پیش بینی های نقطه ای فرایند تبخیر مبتنی بر شبکه های عصبی مصنوعی (ANN) با استفاده از آنالیز فواصل پیش بینی (PI) و پیش پردازش داده ها می باشد. روش پیش پردازش داده شامل ترکیب حذف نوفه مبتنی بر موجک (WD) و آموزش با داده های جیتر شده (JD) یعنی (HWDJD) می باشد. در ساخت PIs از روش جدید تخمین باند پایین - بالا (LUBE) استفاده شده است. برای دستیابی به نتایج بهتر، متغیرهای زائد نیز از طریق آنالیز حساسیت از فرآیند آموزش شبکه حذف شدند. نتایج حاکی از آن است که روش LUBE عملکرد خوبی در تخمین باندهای PI دارد این در حالی است که کیفیت PIs حاصل تحت تاث یر پیش پردازش داده ها می باشند. در این خصوص کاهش اثرات عدم قطعیت داده ها در ایستگاه ارومیه تا 30% مشاهده شد. طبق نتایج حذف نوفه طبیعی از محتوای سری های زمانی و سپس تولید سری های زمانی تصنعی هم الگو با سری های زمانی اصلی در کاهش اثرات عدم قطعیت موجود در داده ها در مدل سازی با ANNs موثر می باشد.

عدم قطعیت پیش بینی فرایند تبخیر تحت اثر ترکیبی هموارسازی و جیتر کردن بردار ورودی Keywords:

فواصل پیش بینی , روش تخمین باند پایین - بالا , حذف نوفه مبتنی بر موجک , داده های جیتر شده , شبکه های عصبی مصنوعی , تبخیر روزانه