ارتقاء مدل سازی هیبرید با استفاده از مدلی کارآمد جهت پیش بینی بارندگی
محل انتشار: فصلنامه جغرافیای طبیعی، دوره: 14، شماره: 54
سال انتشار: 1400
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 92
فایل این مقاله در 19 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JOPG-14-54_001
تاریخ نمایه سازی: 24 اسفند 1400
چکیده مقاله:
پیشبینی بارندگی بادقت کم منجر به ضررهای قابلتوجه در بخشهای مختلف مانند کشاورزی، محیطزیست میشود. در این راستا تاثیر مدلهای رگرسیون بردار پشتیبان (SVR)، برنامهریزی بیان ژن (GEP) وروش گروهی مدلسازی دادهها (GMDH) در ارتقاء عملکرد مدل هیبرید مورد بررسی قرار گرفت که از دادههای بارندگی ایستگاههای ارومیه و اصفهان با دو اقلیم متفاوت در بازه زمانی ۱۹۶۴-۲۰۱۹ استفاده شد. در مدلسازی بخش غیرخطی، ترکیب سوم با ترکیب بخش خطی، باقیماندهها و دادههای مشاهداتی در گام زمانی پیشین خطای کمتری داشت، بهعنوان نمونه در ایستگاه اصفهان میزان کاهشRMSE از ترکیب ۱ به ۳،۷۳/۶۲ و میزان کاهش SMAPE از ترکیب ۲ به ۳ برابر با ۷۹/۶۲ درصد بود. مدل هیبرید نسبت به مدل استوکستیکی دارای عملکرد بهتری بود، بهطوری که مقدار RMSE از مدل استوکستیکی به مدل هیبرید با SVR، GEP و GMDH در ایستگاه ارومیه بهترتیب ۴۶/۷۹، ۳۴/۶۸ و ۷۷/۷۵ درصد کاهش داشت. مدل برنامهریزی بیان ژن نسبت به سایر مدلهای مورد مطالعه دقت کمتری داشت (در ایستگاه ارومیه میزان کاهش UIIاز مدل GEP به SVR بهترتیب برابر با ۵/۳۲ و ۶۲/۱۵ درصد و در ایستگاه اصفهان میزان افزایش ضریب نش-ساتکلیف از مدل GEP به GMDH برابر با ۳۸/۲۲ بود). میزان ضریب نش-ساتکلیف در هر سه مدل در ایستگاه ارومیه بیشتر از اصفهان بود( متوسط میزان کاهش ضریب نش-ساتکلیف از ایستگاه ارومیه به اصفهان ۲۲/۶ درصد بود) ولی مقدار ضریب در هر دو ایستگاه در محدوده قابل قبول است. بنابراین انتخاب مدل کارا با ترکیب درست در مدلسازی بخش غیرخطی تاثیر چشمگیری در افزایش کارایی مدل هیبرید خواهد داشت.
نویسندگان
لاله پرویز
دانشیار دانشکده کشاورزی دانشگاه شهید مدنی آذربایجان، تبریز، ایران
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله 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 مقاله لینک شده اند :