این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
پژوهش های دانش زمین، جلد ۸، شماره ۳، صفحات ۴۲-۰
عنوان فارسی بررسی کارآیی دو روش داده محور در پیش‌بینی بارندگی ماهانه
چکیده فارسی مقاله پیش‌بینی دقیق بارش باران به خصوص در مناطق خشک ‌و نیمه خشک، نقش مهمی را در مدیریت موثر منابع آب بازی می‌کند. حصول روش‌های مناسب و دقیق در پیش‌بینی بارندگی یکی از مسائل چالش‌ انگیز امروزی، در مدیریت منابع آب و مخاطرات اقلیمی است. اگرچه تحقیقات گسترده‌ای در زمینه کاربرد مدل‌های هوش محاسباتی به منظور پیش‌بینی‌های اقلیمی صورت گرفته است، اما انتخاب نوع و تعداد متغیرهای ورودی به هرکدام از این مدل‌ها همواره مدل­سازان را با مسائلی روبرو کرده است. هدف از این تحقیق، بررسی تأثیر پیش پردازش داده‌ها در انتخاب بهترین ترکیب ورودی از متغیرهای تأثیرگذار بر فرآیند بارش با استفاده از آزمون گاما برای پیش‌بینی بارش ماهانه با دو مدل رگرسیون بردار پشتیبان و برنامه­ریزی بیان ژن می‌باشد.‌ برای این منظور، از روش‌های آزمون گاما و آنالیز همبستگی برای پیش‌پردازش ورودی‌ مدل‌های مورد استفاده در این تحقیق تحت یک مطالعه موردی با استفاده از داده‌های اقلیمی ماهانه مربوط به ایستگاه سینوپتیک شیراز در طی سال‌های 1362 تا 1390 استفاده شد. کارآیی این مدل‌ها 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 مدل‌های استفاده شده در این تحقیق پیش‌بینی می‌کند. ولی آزمون گاما نتوانست کارایی مدل برنامه‌ریزی 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 پیش‌بینی بارندگی ماهانه می‌باشند.
کلیدواژه‌های فارسی مقاله آزمون گاما، بارندگی، برنامه‌ریزی بیان ژن، پیش‌بینی، رگرسیون بردار پشتیبان،
عنوان انگلیسی Performance Improvement of Two Data-driven Techniques
چکیده انگلیسی مقاله Accurate prediction of the rainfall plays a key role in effective water resources management, , especially in arid and semi-arid regions. Achieving reliable and accurate precipitation forecasts is one of today's challenging issues in water resources management and climate hazards. Even though the great deal of research has been conduted on application of computational intelligence models for climatic forecasting, but selecting the best combination of inputs to such models, modellers have faced with problems. The main objective of this study is to evaluate the effect of input variables preprocessing in choosing the best combination of variables affecting on precipitation process, for forecasting monthly rainfall by using two data-driven modeling techniques including Support Vector Regresion (SVR) and Gene Expression Programming (GEP). For this purpose, Gamma Test and correlation Test were used to preprocess the inputs of the models used in this research under a case study with monthly climate data related with Shiraz Synoptic station over 1982-2011.The performance of these models was evaluated by statistical criteria of R2,RMSE and NSE (Nash-Sutcliffe efficiency coefficient). The results showed that SVR model combined with Gamma Test forecasts monthly rainfall better than other models used ib this study.But GammaTest was not able to improve performance of Gene Expression Programme model the same as SVR model. Also, based on the obtained results, sun hours, relative humidity, rainfall in a previous month and temperature, respectively,are most significant variables in monthly rainfall forecasting.
کلیدواژه‌های انگلیسی مقاله آزمون گاما, بارندگی, برنامه‌ریزی بیان ژن, پیش‌بینی, رگرسیون بردار پشتیبان
نویسندگان مقاله مسلم برجی حسن گاویار | borji hassan gavyar


علیرضا مقدم نیا |


فرزانه ساجدی |


نشانی اینترنتی http://esrj.sbu.ac.ir/article/download/13484/6477
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1384/article-1384-564446.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات