به جمع مشترکان مگیران بپیوندید!

تنها با پرداخت 70 هزارتومان حق اشتراک سالانه به متن مقالات دسترسی داشته باشید و 100 مقاله را بدون هزینه دیگری دریافت کنید.

برای پرداخت حق اشتراک اگر عضو هستید وارد شوید در غیر این صورت حساب کاربری جدید ایجاد کنید

عضویت
جستجوی مقالات مرتبط با کلیدواژه

algorithm cart

در نشریات گروه جغرافیا
تکرار جستجوی کلیدواژه algorithm cart در نشریات گروه علوم انسانی
تکرار جستجوی کلیدواژه algorithm cart در مقالات مجلات علمی
  • کمال امیدوار*، شهاب شفیعی، زهرا تقی زاده
    بارش یکی از اجزای اصلی بیلان منابع آب بوده و پیش بینی آن می تواند در مدیریت تامین آب کشاورزی مدیریت منابع آب موجود در مخازن سدها و... مفید باشد. درخت تصمیم به عنوان یکی از مدل های پیش بینی، کارایی زیادی در این زمینه دارد و به تولید قانون می-انجامد. در این پژوهش جهت رسیدن به اهداف از ارزیابی کارایی مدل درخت تصمیم جهت پیش بینی بارش در ایستگاه سینوپتیک کرمانشاه و از الگوریتم (CART (Classification And Regression Tree به عنوان یکی از انواع درختان تصمیم رگرسیونی جهت پیش بینی بارش 30 ماه بعد استفاده شده است. داده های مورد استفاده این پژوهش مربوط به آمار ماهیانه بارندگی، تبخیر، رطوبت نسبی، دمای ماکزیمم، دمای متوسط و سرعت باد در دوره آماری(1389- 1349) می باشد. سپس جهت ارزیابی درخت های ایجاد شده در این پژوهش از معیارهای آماری مختلف استفاده شده است که در نهایت نتایج نشان می دهد در ایستگاه سینوپتیک کرمانشاه درخت تصمیم گیری رگرسیونی، مدلی نسبتا کارا در پیش بینی بارش می باشد که استفاده از میانگین متحرک نسبت به سایر حالات منجر به افزایش چشمگیر کارایی مدل درخت تصمیم می شود و در صورت تعدیل دامنه تغییرات داده های ورودی قادر است با ضریب اطمینان بالایی میزان بارش را 30 ماه قبل از وقوع برآورد نماید که در شبیه سازی های صورت گرفته، زمانی که از میانگین متحرک پنج ساله داده ها برای اجرای مدل استفاده گردیده، ترکیب بارش قبلی، دمای ماکزیمم به عنوان مناسب ترین حالت شناسایی شده است.
    کلید واژگان: درخت تصمیم، پیش بینی، بارش، الگوریتم CART، ایستگاه سینوپتیک کرمانشاه
    Kamal Omidvar*, Shahab Shafie, Zahra Taghizade
    Rainfall is one of the main components of the water balance and its prediction is useful in managing agricultural water supply and managing water resources in reservoirs. Decision tree model as being one of the prediction models, has several functions in rainfall modelling and results in law making. In this study, to evaluate the performance of the decision tree model for the precipitation to be predicted in Kermanshah synoptic stations, and the algorithm CART (Classification and regression tree), being a kind of the regression decision trees, was used to predict the rainfall for the next 30 months. The data used in this study collected from the monthly rainfall stats, evaporation, relative humidity, maximum temperature, average temperature and wind speed in the statistical period of 1970 to 2010. To assess the created trees in this study, different statistical criteria were used. Finally, the results show that in Kermanshah synoptic stations, the regression decision tree is a relatively efficient model in predicting rainfall in which the use of moving average leads to a significant increase in the performance of the model than other modes. And in the case of modification in the range of changes in the input data, it is able to precisely estimate the rainfall 30 months prior to its occurrence, which in the simulations done, whenever the average five-year movement is used to reinforce the data, the combination of the previous rain and the maximum temperature is identified as the most proper status.
    Keywords: Decision tree, Precipitation predictions, Algorithm CART, Kermanshah synoptic stations
نکته
  • نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
  • کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
  • در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
درخواست پشتیبانی - گزارش اشکال