کاربرد روش ماشین های بردار پشتیبان در طبقه بندی داده های اقلیمی

شناسایی، پیش بینی و مدیریت بحران در یک ساختار اقلیمی از اهمیت بالایی برخوردار است. مدل ها به عنوان ابزارهایی کاربردی برای درک سیستم های پیچیده و شبیه سازی و پیش بینی رفتارشان استفاده می شوند. ماشین های بردار پشتیبان یکی از روش های یادگیری نظارت شده است که از آن برای طبقه بندی و رگرسیون استفاده می شود. ماشین های بردار پشتیبان قادر به تشخیص الگوهای پنهان و پاسخ به تغییرات پیچیده در داده های اقلیمی هستند. در این مقاله ساختار روش ماشین های بردار پشتیبان و کاربرد آن در طبقه بندی داده های اقلیمی ارائه شده است. ویژگی های ساختار ماشین های بردار پشتیبان به انتخاب نوع تابع هسته مربوط است بنابراین در انتخاب نوع تابع هسته دقت کافی باید صورت گیرد و از طرفی تعیین مولفه اصلی در پیش بینی اقلیمی یک مرحله مهم در پیش بینی اقلیمی است تا با تعداد پارامترهای بهینه بهترین برازش بین داده های پیش بینی کننده و پیش بینی شونده صورت گیرد.