سامانه سطوح آبگیر باران، جلد ۴، شماره ۳، صفحات ۶۱-۷۲
عنوان فارسی استفاده از آزمون گاما در پیش‌پردازش داده‌ها جهت مدل‌سازی سری‌های زمانی بارش
چکیده فارسی مقاله انتخاب ورودی‌های مناسب برای مدل‌های هوشمند از اهمیت به سزایی برخوردار است. زیرا باعث کاهش هزینه و صرفه‌جویی در وقت و افزایش دقت و کارایی مدل‌ها می‌شود. هدف از این مطالعه، کاربرد آزمون گاما برای انتخاب ترکیب بهینه متغیرهای ورودی که شامل تاخیر­های بارش، در مدل‌سازی سری زمانی بارش می‌باشد. سری زمانی ماهانه بارش در دوره زمانی 1383تا 1393 برای ایستگاه سینوپتیک رشت مورد استفاده قرار گرفت. پارامتر بارش با تأخیرهای مختلف به‌ عنوان ورودی به آزمون گاما در نظر گرفته شد. نتایج این آزمون نشان داد که سری زمانی با سه تأخیر، نتایج بهتری را برای مدل‌سازی ارائه می‌دهد. شبیه‌سازی با استفاده از دو مدل شبکه بیزین و رگرسیون خطی چند متغیره انجام گرفت. کارایی مدل‌ها با استفاده از سه معیار: ضریب تبیین (R2)، ریشه جذر میانگین خطا (RMSE) و شاخص پراکندگی (SI) محاسبه گردید. شبکه عصبی بیزین توانست بارش با سه ماه تاخیر را با مقدار ضریب تبیین 82/0 و ریشه جذر میانگین مربعات خطای 84/17 و شاخص پراکندگی 17/0 مدل­سازی کند. از میان این دو مدل با ساختار ورودی‌های یکسان، مدل شبکه عصبی بیزین عملکرد بهتری برای شبیه‌سازی سری زمانی بارش در مقایسه با رگرسیون چند متغیره داشته است. نتایج تحقیق نشان داد که آزمون گاما در انتخاب ترکیب ورودی مناسب در مدل‌های هوشمند می­تواند کارایی بهتری داشته باشد.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Gamma test application in input preprocessing for time series modeling of rainfall
چکیده انگلیسی مقاله Choosing the appropriate inputs for intelligent models is important. Because it can reduce costs and save time and increase accuracy and efficiency of the models. This work aims at the use of gamma test to select the optimum combination of input variables including delayed records of in time series modeling precipitation. Monthly time series of rainfall for the period 1383 to 1393 was used for Rasht station Rainfall data as with different lags were employed as input to gamma test. Results showed that time series with three delays (lags), provides better results. The simulation was performed using Bayesian network and multivariate linear regression. The performance of models was assessed using three criteria, i.e. coefficient of determination (R2), root mean square error (RMSE), and dispersion index (SI). Bayesian neural network using a three-month delay the coefficient of determination of 0.82, root mean square error of 17.84 and a diffusion index of 0.17 showed better performance as compared with multivariate regression. The results established the significant role of the gamma test integrated with intelligent models in the appropriate selection of input variables..
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله بابک محمدی | babak mohammadi
university of tabriz
دانشگاه تبریز
سازمان اصلی تایید شده: دانشگاه تبریز (Tabriz university)

محمدعلی قربانی | mohammad ali ghorbani
university of tabriz
دانشگاه تبریز
سازمان اصلی تایید شده: دانشگاه تبریز (Tabriz university)

نشانی اینترنتی http://jircsa.ir/browse.php?a_code=A-10-413-1&slc_lang=fa&sid=fa
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 پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات