Skip to main content
فهرست مقالات

استفاده از تحلیل مولفه اصلی برای تعیین ورودی‌های موثر بر تخمین بارش به کمک شبکه عصبی مصنوعی و ماشین‌ بردار پشتیبان

نویسنده:

علمی-ترویجی (وزارت علوم) (9 صفحه - از 67 تا 75)

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 74/2 و 62/2 میلی­متر و مدل ماشین بردار پشتیبان مبتنی بر تحلیل مولفه اصلی (PCA-SVM) در ایستگاه لاهیجان با مجذور میانگین مربعات خطای 53/2 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 ایستگاه‌های آستارا و جیرنده عملکرد قابل قبولی داشته است.

خلاصه ماشینی:

"نتایج مدل‌سازی حاکی از این است که، مدل شبکه عصبی مصنوعی مبتنی بر تحلیل مؤلفه اصلی (PCA-ANN) در ایستگاه‌های آستارا و جیرنده به ترتیب با مجذور میانگین مربعات خطای 74/2 و 62/2 میلی‌متر و مدل ماشین بردار پشتیبان مبتنی بر تحلیل مؤلفه اصلی (PCA-SVM) در ایستگاه لاهیجان با مجذور میانگین مربعات خطای 53/2 میلی‌متر را می‌توان به عنوان مدل‌های منتخب برای ایستگاه‌های مذکور انتخاب کرد. در نهایت با توجه به نتایج می‌توان چنین نتیجه گرفت که روش‌های استفاده شده پیش‌پردازش داده‌ها در این تحقیق برای پیش ‌بینی بارش همچنین مدل SVMدر ایستگاه لاهیجان و مدل ANN در ایستگاه‌های آستارا و جیرنده عملکرد قابل قبولی داشته است . هدف از این تحقیق تخمین بارش با استفاده از مدل‌های هوشمند شبکه عصبی مصنوعی و ماشین بردار پشتیبان همراه با کاهش پیچیدگی مدل‌سازی به وسیله پیش پردازش داده‌ها با روش‌های تحلیل مولفه اصلی می‌باشد. در نهایت با توجه به موارد گفته شده و نتایج حاصله می‌توان چنین نتیجه گرفت مدل شبکه عصبی مصنوعی مبتنی بر تحلیل مؤلفه اصلی (PCA-ANN) در ایستگاه‌های آستارا و جیرنده به ترتیب با مجذور میانگین مربعات خطای 74/2 و 62/2 میلی‌متر و مدل ماشین بردار پشتیبان مبتنی بر تحلیل مؤلفه اصلی (PCA-SVM) در ایستگاه لاهیجان با مجذور میانگین مربعات خطای 53/2 میلی‌متر را می‌توان به عنوان مدل‌های منتخب برای ایستگاه‌های مذکور انتخاب کرد و همچنین روش‌های استفاده شده پیش‌پردازش داده‌ها در این تحقیق برای پیش‌بینی بارش همچنین مدل SVMدر ایستگاه لاهیجان و مدل ANNدر ایستگاه‌های آستارا و جیرنده عملکرد قابل قبولی داشته است."


برای مشاهده محتوای مقاله لازم است وارد پایگاه شوید. در صورتی که عضو نیستید از قسمت عضویت اقدام فرمایید.