این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
سامانه سطوح آبگیر باران، جلد ۸، شماره ۴، صفحات ۶۳-۷۱
عنوان فارسی پیش بینی بارش ماهانه با استفاده از مدل های برنامه ریزی ژنتیک و ماشین بردار پشتیبان
چکیده فارسی مقاله برآورد و پیش­­بینی بارش و دستیابی به مقدار رواناب ناشی از آن، نقش اساسی و مؤثری را در مدیریت و بهره­برداری صحیح از حوضه، مدیریت سدها و مخازن، به حداقل رساندن خسارات ناشی از سیلاب و خشکسالی و مدیریت منابع آب ایفا می­کند. عملکرد مطلوب مدل­ های هوشمند باعث افزایش استفاده از آن­ها برای پیش­بینی پدیده ­های مختلف هیدرولوژیکی شده است. لذا در این پژوهش، دو مدل هوشمند برنامه­ریزی ژنتیک و ماشین بردار پشتیبان برای پیش­بینی بارش ماهانه استان اردبیل به ­کار گرفته شده و از داده­ های بارش، دما و رطوبت نسبی در مقیاس ماهانه به ­عنوان پارامترهای ورودی مدل­ ها استفاده شد. نتایج به­دست آمده نشان داد که عملکرد هر دو مدل خوب و تقریبا یکسان بوده (میانگین خطای مطلق به ترتیب 0.8 و 0.721) ولی با توجه به ارزیابی­ های انجام شده مدل رگرسیون بردار پشتیبان عملکرد نسبتا بهتری داشته است (ضریب همبستگی0.999). به طورکلی می ­توان گفت که مدل رگرسیون بردار پشتیبان برای مدل­سازی و پیش­بینی بارش ماهانه استان اردبیل مناسب ­تر بوده است.
کلیدواژه‌های فارسی مقاله بارش ماهانه، برنامه ریزی ژنتیک، تابع برازش، ضریب همبستگی، ماشین بردار پشتیبان.
عنوان انگلیسی Monthly rainfall Forecasting using genetic programming and support vector machine
چکیده انگلیسی مقاله Rainfall and runoff estimation play a fundamental and effective role in the management and proper operation of the watershed, dams and reservoirs management, minimizing the damage caused by floods and droughts, and water resources management. The optimal performance of intelligent models has increased their use to predict various hydrological phenomena. Therefore, in this study, two intelligent models including, genetic programming and support vector machine were used to forecast the monthly precipitation of Ardabil province. For this purpose, precipitation, temperature, and relative humidity on a monthly scale were considered as the input parameters of the models. The results showed that the performances of both models were good and almost the same (mean absolute error of 0.8 and 0.721, respectively), but according to the evaluations, the support vector regression model had a relatively better performance (correlation coefficient 0.999) compared to another model. In general, it can be concluded that the support vector regression model has been more suitable for modeling and forecasting monthly precipitation in Ardabil province.
کلیدواژه‌های انگلیسی مقاله Monthly rainfall, Genetic programming, Fitting function, Correlation coefficient, Support vector machine.
نویسندگان مقاله میلاد شرفی | Milad Sharafi
Tabriz University
دانشگاه تبریز

سعید صمدیان فرد | Saeed Samadian Fard
Tabriz University
دانشگاه تبریز

سجاد هاشمی | Sajjad Hashemi
Tabriz University
دانشگاه تبریز

نشانی اینترنتی http://jircsa.ir/browse.php?a_code=A-10-1685-1&slc_lang=fa&sid=1
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده تخصصی
نوع مقاله منتشر شده کاربردی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات