این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
پژوهشنامه مدیریت حوزه آبخیز، جلد ۱۰، شماره ۲۰، صفحات ۰-۰
عنوان فارسی ارزیابی کارایی مدل‌های مختلف خطی و غیرخطی در پیش‌بینی بارندگی ماهانه( مطالعه موردی: استان همدان)
چکیده فارسی مقاله در این پژوهش به منظور پیش‌بینی مقادیر ماهانه بارش از مدل‌های ماشین بردار پشتیبان(SVM)، ماشین بردار پشتیبان تلفیق شده با تبدیل موجک (W-SVM)،ARMAX  و ARIMA استفاده گردید.  لذا از سری زمانی ماهانه ایستگاه‌های باران‌سنجی واقع در استان همدان طی یک دوره 25 ساله (1370-1394) استفاده شد.  این دوره 25 ساله به 17 سال  برای آموزش، 4 سال برای واسنجی و 4 سال برای صحت‌سنجی مدل تقسیم شد. مقایسه آماری نتایج به کمک شاخص‌های ضریب همبستگی (r)، جذر میانگین مربعات خطا (RMSE) و خطای استاندارد (SE) صورت گرفت. نتایج نشان داد که به ترتیب مدل‌های ARIMA، ماشین بردار پشتیبان، ARMAX و ماشین بردار پشتیبان تلفیق شده با تبدیل موجک در رتبه‌های اول تا چهارم قرار دارند. همچنین مدل ماشین بردار پشتیبان دارای پارامترهای قابل تنظیم کمتری نسبت به مدل‌های دیگر می باشد. لذا این مدل با سهولت بیشتر و در زمان کمتری قادر به پیش‌بینی بارش بوده و از این نظر نسبت به سایر روش‌ها ارجحیت دارد.  
کلیدواژه‌های فارسی مقاله ARIMA، ARMAX، بارش، پیش‌بینی، ماشین بردار پشتیبان، موجک.
عنوان انگلیسی Evaluation of the efficiency of linear and nonlinear models in predicting monthly rainfall (case study: Hamedan province)
چکیده انگلیسی مقاله In this research, we used the support vector machine (SVM), support vector machine combine with wavelet transform (W-SVM), ARMAX and ARIMA models to predict the monthly values of precipitation. The study considers monthly time series data for precipitation stations located in Hamedan province during a 25-year period (1998-2016). The 25-year simulation period was divided into 17 years for training, 4 years for calibration and 4 years for validation. Statistical comparison of the results was done by using correlation coefficient (r), root mean square error (RMSE), and standard error (SE). Results showed that ARIMA, Support Vector Machines, ARMAX and support vector machine combine with wavelet transform were ranked first to forth, respectively. Furthermore, the support vector machine has fewer adjustable parameters than other models. So, the model is able to predict precipitation with greater ease and less time. For this reason, it is preferable to other methods.  
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله حامد نوذری | Hamed Nozari
water engineering and science Department
گروه علوم و مهندسی آب

فاطمه توکلی | Fateme Tavakoli
water engineering and science Department
گروه علوم و مهندسی آب

نشانی اینترنتی http://jwmr.sanru.ac.ir/browse.php?a_code=A-11-596-2&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 هواشناسی
نوع مقاله منتشر شده پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات