بررسی کارآیی دو روش داده محور در پیش بینی بارندگی ماهانه
Publish Year: 1396
نوع سند: مقاله ژورنالی
زبان: Persian
View: 226
This Paper With 20 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_ESRJ-8-3_004
تاریخ نمایه سازی: 21 شهریور 1400
Abstract:
پیش بینی دقیق بارش باران به خصوص در مناطق خشک و نیمه خشک، نقش مهمی را در مدیریت موثر منابع آب بازی می کند. حصول روش های مناسب و دقیق در پیش بینی بارندگی یکی از مسائل چالش انگیز امروزی، در مدیریت منابع آب و مخاطرات اقلیمی است. اگرچه تحقیقات گسترده ای در زمینه کاربرد مدل های هوش محاسباتی به منظور پیش بینی های اقلیمی صورت گرفته است، اما انتخاب نوع و تعداد متغیرهای ورودی به هرکدام از این مدل ها همواره مدلسازان را با مسائلی روبرو کرده است. هدف از این تحقیق، بررسی تاثیر پیش پردازش داده ها در انتخاب بهترین ترکیب ورودی از متغیرهای تاثیرگذار بر فرآیند بارش با استفاده از آزمون گاما برای پیش بینی بارش ماهانه با دو مدل رگرسیون بردار پشتیبان و برنامهریزی بیان ژن می باشد. برای این منظور، از روش های آزمون گاما و آنالیز همبستگی برای پیش پردازش ورودی مدل های مورد استفاده در این تحقیق تحت یک مطالعه موردی با استفاده از داده های اقلیمی ماهانه مربوط به ایستگاه سینوپتیک شیراز در طی سال های ۱۳۶۲ تا ۱۳۹۰ استفاده شد. کارآیی این مدل ها با استفاده از ضرایب تبیین، ریشه میانگین مربعات خطا و ضریب کارآیی ناش-ساتکلیف ارزیابی گردید. نتایج نشان داد که مدل ترکیبی گاما-رگرسیون بردار پشتیبان، بارندگی ماهانه را بهتر از سایر مدل های استفاده شده در این تحقیق پیش بینی می کند. ولی آزمون گاما نتوانست کارایی مدل برنامه ریزی بیان ژن را به اندازه مدل رگرسیون بردار پشتیبان بهبود بخشد. همچنین براساس نتایج حاصله، متغیرهای ساعات آفتابی، رطوبت نسبی، بارندگی یک ماه گذشته و دما به ترتیب جزء موثرترین متغیرها در پیش بینی بارندگی ماهانه می باشند.
Keywords:
Authors
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :