تحلیل عدم قطعیت مدل های شبکه عصبی مصنوعی و ماشین بردار پشتیبان در تخمین بارش

در این تحقیق سعی گردید، ترکیب ورودی و مدل مناسب برای تخمین بارش های شهرستان شاهرود تعیین گردد. برای رسیدن به این هدف از داده های ماهانه هواشناسی شامل تبخیر، دما، رطوبت نسبی هوا، تابش های خورشیدی، سرعت باد در دوره آماری 1342 تا 1394 و مدل های شبکه عصبی مصنوعی و ماشین بردار پشتیبان استفاده شده است. 75 درصد از داده ها برای واسنجی و 25 درصد دیگر جهت اعتبارسنجی مدل ها استفاده شده است. در این تحقیق از شبکه عصبی مصنوعی پرسپترون چند لایه با تابع تانژانت سیگموئید و 1 تا 30 نرون در لایه پنهان و از مدل ماشین بردار پشتیبان با تابع کرنل پایه شعاعی جهت تخمین بارش های منطقه شهرستان شاهرود استفاده شده است. عملکرد هر یک از مدل ها با استفاده از شاخص های آماری مجذور میانگین مربعات خطا و ضریب همبستگی ارزیابی شده است و عدم قطعیت مدل ها نیز به ازای دو پارامتر d-factor و p-factor تعیین گردیده است. با توجه به این که هر دو مدل عملکرد مناسبی در تخمین بارش داشته اند، ولی مدل ماشین بردار پشتیبان با خطا و عدم قطعیت کمتری نسبت به مدل شبکه عصبی مصنوعی، عملکرد بهتری در تخمین بارش شهرستان شاهرود داشته است. بنابراین مدل ماشین بردار پشتیبان می تواند به عنوان یک مدل بسیار مناسب در تخمین بارش مورد استفاده قرار گیرد.