این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مهندسی آبیاری و آب ایران، جلد ۱۲، شماره ۳، صفحات ۲۸۳-۳۰۱
عنوان فارسی ترکیب مدل محاسبات نرم مبتنی بر الگوریتم یادگیری ماشین و تحلیل مولفه-های اصلی جهت پیش‌بینی بارندگی
چکیده فارسی مقاله تاثیر تغییرات بارندگی بر منابع آب، تولیدات کشاورزی نیاز به روش کارآمدی جهت پیش­بینی بارندگی را آشکار می­سازد. در این تحقیق یکی از روش­های محاسبات نرم در راستای پیش­بینی بارندگی با رویکرد کاهش داده توسعه داده شد. داده­های ورودی مدل متوسط دمای هوا، دمای نقطه شبنم، متوسط فشار سطح دریا، متوسط فشار ایستگاه، میانگین رطوبت نسبی و میانگین سرعت باد در ایستگاه­های تبریز، اهر و جلفا بودند. روش مورد استفاده در این تحقیق شامل رگرسیون بردار پشتیبان، Epsilon و Nu ،می­باشد. در تمام ایستگاه­های مورد مطالعه استفاده از رگرسیون بردار پشتیبان Nu نسبت به Epsilon منجر به کاهش خطا شد به طوری که مقادیر UII با رگرسیون بردار پشتیبان Nu در ایستگاه­های تبریز، اهر و جلفا به­ترتیب 19/19، 88/5 و78/15 درصد کاهش داشت. نتایج بیانگر محدویت استفاده از رویکرد کاهش داده برای داده­هایی با فاکتور KMO پایین­تر از 5/0 است که شامل ایستگاه­های تبریز و اهر بودند. تحلیل مولفه­های اصلی در هر دو نوع رگرسیون بردار پشتیبان عملکرد مدل را افزایش داد به طوری که در ایستگاه جلفا با بکارگیری تحلیل مولفه­های اصلی مقادیر dدر رگرسیون بردار پشتیبان Epsilon و Nu 6/16 و 5/17 درصد افزایش یافت. اجرای چرخش وریماکس در پیش­پردازش داده­های ورودی به رگرسیون نسبت به تحلیل مولفه­های اصلی قوی­تر عمل کرد. در این راستا مقادیرRRMSE وRMSE در ایستگاه جلفا با استفاده از رگرسیون بردار پشتیبان Epsilon و با اجرای چرخش به­ترتیب 66/6 و 45/6 درصد کاهش داشت. بنابراین تحلیل مولفه­های اصلی ابزار مناسبی جهت ارتقاء عملکرد روش­های محاسبات نرم با رعایت قیود می­باشد.
کلیدواژه‌های فارسی مقاله بارندگی، تحلیل مولفه‌های اصلی، رگرسیون بردار پشتیبان، فاکتور KMO،
عنوان انگلیسی Combining soft Computing Model Based on Machine Learning Algorithm and Principal Component Analysis for Precipitation Forecasting
چکیده انگلیسی مقاله The effect of precipitation changes on water resources, agricultural production reveals the need for accurate methods for precipitation forecasting. In this research, one of the soft computing methods was developed in order to forecast precipitation with the data reduction approach. Input data of model was mean air temperature, dew point temperature, mean sea level pressure, mean station pressure, mean relative humidity and mean wind speed at Tabriz, Ahar and Jolfa stations. The method used in this study includes Epsilon and Nu support vector regression. In all studied stations, the use of Nu support vector regression compared to Epsilon reduced the error so that UII values ​​with Nu support vector regression in Tabriz, Ahar and Jolfa stations were decreased 19.19, 5.88 and 15.78%, respectively. The results indicate the limitation of using the data reduction approach for data with KMO factor lower than 0.5, which included Tabriz and Ahar stations. Principal component analysis in both types of support vector regression increased the performance of the model so that in Jolfa station by using principal component analysis d values ​​of Epsilon and Nu support vector regression increased by 16.6 and 17.5%. Execution of Verimax rotation in preprocessing of input data to regression was stronger than principal component analysis. In this regard, RRMSE and RMSE values ​​in Jolfa station using Epsilon support vector regression were decreased 6.66 and 6.45%. Therefore, principal component analysis is a suitable tool to improve the performance of soft computing methods by regarding the relevant constraints.
کلیدواژه‌های انگلیسی مقاله بارندگی, تحلیل مولفه‌های اصلی, رگرسیون بردار پشتیبان, فاکتور KMO
نویسندگان مقاله لاله پرویز |
دانشکده کشاورزی، دانشگاه شهید مدنی آذربایجان

نشانی اینترنتی https://www.waterjournal.ir/article_146408_77eb20e6315278023c709c49d8780777.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات