استفاده از تحلیل مولفه اصلی برای تعیین ورودی های موثر بر تخمین بارش به کمک شبکه عصبی مصنوعی و ماشین بردار پشتیبان
سال انتشار: 1395
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 43
نسخه کامل این مقاله ارائه نشده است و در دسترس نمی باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JIRCSA-4-4_007
تاریخ نمایه سازی: 28 مرداد 1402
چکیده مقاله:
مدیریت نزولات جوی و استفاده بهینه از این منابع کمک شایانی به مدیریت منابع آب میکند و همچنین در مدیریت منابع آب تخمین پارامتر هیدرولوژیکی نقش اساسی دارند. در این تحقیق تخمین بارش سه ایستگاه سینوپتیک آستارا، لاهیجان و جیرنده واقع در استان گیلان با استفاده از شبکه عصبی مصنوعی (ANN) و ماشین بردار پشتیان (SVM) انجام گرفته است. از روش تحلیل مولفه اصلی (PCA) برای پیش پردازش داده ها و تعیین داده های ورودی استفاده گردید. با توجه به نتایج، در روش تحلیل مولفه های اصلی نیز برای ایستگاه سینوپتیک آستارا و جیرنده، پنج مولفه اصلی و برای ایستگاه لاهیجان چهار مولفه اصلی انتخاب شده است. نتایج مدلسازی حاکی از این است که، مدل شبکه عصبی مصنوعی مبتنی بر تحلیل مولفه اصلی (PCA-ANN) در ایستگاه های آستارا و جیرنده به ترتیب با مجذور میانگین مربعات خطای ۷۴/۲ و ۶۲/۲ میلیمتر و مدل ماشین بردار پشتیبان مبتنی بر تحلیل مولفه اصلی (PCA-SVM) در ایستگاه لاهیجان با مجذور میانگین مربعات خطای ۵۳/۲ میلیمتر را میتوان به عنوان مدلهای منتخب برای ایستگاه های مذکور انتخاب کرد. در نهایت با توجه به نتایج میتوان چنین نتیجه گرفت که روش های استفاده شده پیشپردازش دادهها در این تحقیق برای پیش بینی بارش همچنین مدل SVMدر ایستگاه لاهیجان و مدل ANN در ایستگاه های آستارا و جیرنده عملکرد قابل قبولی داشته است.
کلیدواژه ها:
نویسندگان
بابک محمدی
University of Tabriz
صمد امامقلی زاده
University technology of shahrood
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 :