استفاده از تحلیل مولفه اصلی برای تعیین ورودی های موثر بر تخمین بارش به کمک شبکه عصبی مصنوعی و ماشین بردار پشتیبان
عنوان مقاله: استفاده از تحلیل مولفه اصلی برای تعیین ورودی های موثر بر تخمین بارش به کمک شبکه عصبی مصنوعی و ماشین بردار پشتیبان
شناسه ملی مقاله: JR_JIRCSA-4-4_007
منتشر شده در در سال 1395
شناسه ملی مقاله: JR_JIRCSA-4-4_007
منتشر شده در در سال 1395
مشخصات نویسندگان مقاله:
بابک محمدی - University of Tabriz
صمد امامقلی زاده - University technology of shahrood
خلاصه مقاله:
بابک محمدی - University of Tabriz
صمد امامقلی زاده - University technology of shahrood
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.
کلمات کلیدی: Gilan province, Precipitation, Principal component analysis, Artificial neural network, Support vector machine, استان گیلان, بارش, تحلیل مولفه اصلی, شبکه عصبی مصنوعی, ماشین بردار پشتیبان
صفحه اختصاصی مقاله و دریافت فایل کامل: https://civilica.com/doc/1730726/