تعداد نشریات | 418 |
تعداد شمارهها | 9,983 |
تعداد مقالات | 83,453 |
تعداد مشاهده مقاله | 76,455,816 |
تعداد دریافت فایل اصل مقاله | 53,583,064 |
ارتقاء مدلسازی هیبرید با استفاده از مدلی کارآمد جهت پیشبینی بارندگی | ||
جغرافیای طبیعی | ||
مقاله 1، دوره 14، شماره 54، بهمن 1400، صفحه 1-19 اصل مقاله (1.24 M) | ||
نوع مقاله: مقاله علمی - پژوهشی | ||
نویسنده | ||
لاله پرویز* | ||
دانشیار دانشکده کشاورزی دانشگاه شهید مدنی آذربایجان، تبریز، ایران | ||
چکیده | ||
پیشبینی بارندگی بادقت کم منجر به ضررهای قابلتوجه در بخشهای مختلف مانند کشاورزی، محیطزیست میشود. در این راستا تأثیر مدلهای رگرسیون بردار پشتیبان (SVR)، برنامهریزی بیان ژن (GEP) وروش گروهی مدلسازی دادهها (GMDH) در ارتقاء عملکرد مدل هیبرید مورد بررسی قرار گرفت که از دادههای بارندگی ایستگاههای ارومیه و اصفهان با دو اقلیم متفاوت در بازه زمانی 1964-2019 استفاده شد. در مدلسازی بخش غیرخطی، ترکیب سوم با ترکیب بخش خطی، باقیماندهها و دادههای مشاهداتی در گام زمانی پیشین خطای کمتری داشت، بهعنوان نمونه در ایستگاه اصفهان میزان کاهشRMSE از ترکیب 1 به 3،73/62 و میزان کاهش SMAPE از ترکیب 2 به 3 برابر با 79/62 درصد بود. مدل هیبرید نسبت به مدل استوکستیکی دارای عملکرد بهتری بود، بهطوری که مقدار RMSE از مدل استوکستیکی به مدل هیبرید با SVR، GEP و GMDH در ایستگاه ارومیه بهترتیب 46/79، 34/68 و 77/75 درصد کاهش داشت. مدل برنامهریزی بیان ژن نسبت به سایر مدلهای مورد مطالعه دقت کمتری داشت (در ایستگاه ارومیه میزان کاهش UIIاز مدل GEP به SVR بهترتیب برابر با 5/32 و 62/15 درصد و در ایستگاه اصفهان میزان افزایش ضریب نش-ساتکلیف از مدل GEP به GMDH برابر با 38/22 بود). میزان ضریب نش-ساتکلیف در هر سه مدل در ایستگاه ارومیه بیشتر از اصفهان بود( متوسط میزان کاهش ضریب نش-ساتکلیف از ایستگاه ارومیه به اصفهان 22/6 درصد بود) ولی مقدار ضریب در هر دو ایستگاه در محدوده قابل قبول است. بنابراین انتخاب مدل کارا با ترکیب درست در مدلسازی بخش غیرخطی تأثیر چشمگیری در افزایش کارایی مدل هیبرید خواهد داشت. | ||
کلیدواژهها | ||
بارندگی؛ هیبرید؛ ترکیب؛ غیرخطی | ||
مراجع | ||
1- برجی حسن گاویار، م. مقدم نیا، ع؛ و ساجدی، ف)1396(: بررسی کارایی دو روش داده محور در پیشبینی بارندگی ماهانه، پژوهشهای دانش زمین، شماره سی و یکم 31، صص 42-61.
2- پورنعمت رودسری، ع. قادری، ک؛ و کریمی گوغری، ش (1393): مدلسازی فرآیند بارش-رواناب با استفاده از روش کنترل گروهی دادهها (GMDH) و شبکههای عصبی مصنوعی (ANN) در حوضه آبخیز پلرود، پژوهشنامه مدیریت حوضه آبخیز، شماره دهم، صص 84- 68.
3- سلگی، ا. زارعی، ح. شهنی دارابی، م؛ و علیدادی ده کهنه، ص (1397): پیشبینی بارش ماهانه با استفاده از مدلهای برنامهریزی بیان ژن و ماشین بردار پشتیبان، نشریه تحقیقات کاربردی علوم جغرافیایی، شماره پنجاه، صص 91- 103.
4- سلگی، ا. زارعی، ح. وگلابی، م.ر (1396): بررسی عملکرد مدل برنامهریزی بیان ژن با روشهای پیشپردازش دادهها جهت مدلسازی جریان رودخانه، پژوهشهای حفاظت آب و خاک، شماره دو، صص 185-201.
5- شرفی، م. صمدیان فرد، س؛ و هاشمی، س. (1399): پیشبینی بارش ماهانه با استفاده از مدلهای برنامهریزی ژنتیک و ماشین بردار پشتیبان، سامانههای سطوح آبگیر باران، دوره هشت، صص 63-71.
6- Acosta, S.M. Amoroso, A.L. Sant’ Anna, Â.M.O. And Junior, O.C. (2021): Predictive Modeling In A Steelmaking Process Using Optimized Relevance Vector Regression And Support Vector Regression. Annals Of Operations Research, P.1-22. 7- Ahmadi, F. Mehdizadeh, S. Mohammadi, B. Pham, Q. B. Doan, T. N. C. And Vo. N. D. (2021):Application Of An Artificial Intelligence Technique Enhanced With Intelligent Water Drops For Monthly Reference Evapotranspiration Estimation: Agricultural Water Management, V. 244, 106622. 8- Chen, W. Xu, H. Chen, Z. And Jiang, M. (2021): A Novel Method For Time Series Prediction Based On Error Decomposition And Nonlinear Combination Of Forecasters: Neurocomputing, V. 22, P. 85-103. 9- Chen, S.T. Yu, P.S. And Tang, Y.H. (2010): Statistical Downscaling Of Daily Precipitation Using Support Vector Machines And Multivariate Analysis: Journal Of Hydrology, V. 385, P. 13-22. 10- Chen, K.Y. And Wang, C.H. (2007): A Hybrid SARIMA And Support Vector Machines In Forecasting The Production Values Of The Machinery Industry In Taiwan: Expert Systems With Applications, V. 32, P. 254-64. 11- Danandeh Mehr, A. (2018): An Improved Gene Expression Programming Model For Streamflow Forecasting In Intermittent Streams: Journal Of Hydrology, V.563, P. 669-78. 12- Kalteh, A.M. 2017: Enhanced Monthly Precipitation Forecasting Using Artificial Neural Network And Singular Spectrum Analysis Conjunction Models: INAE Letters, V.2, P.73-81. 13- Mislan, M. Haviluddin, H | ||
آمار تعداد مشاهده مقاله: 158 تعداد دریافت فایل اصل مقاله: 148 |