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.

Gilan province, Precipitation, Principal component analysis, Artificial neural network, Support vector machine, استان گیلان, بارش, تحلیل مولفه اصلی, شبکه عصبی مصنوعی, ماشین بردار پشتیبان