ترکیب مدل محاسبات نرم مبتنی بر الگوریتم یادگیری ماشین و تحلیل مولفه-های اصلی جهت پیش بینی بارندگی
تاثیر تغییرات بارندگی بر منابع آب، تولیدات کشاورزی نیاز به روش کارآمدی جهت پیش بینی بارندگی را آشکار می سازد. در این تحقیق یکی از روش های محاسبات نرم در راستای پیش بینی بارندگی با رویکرد کاهش داده توسعه داده شد. داده های ورودی مدل متوسط دمای هوا، دمای نقطه شبنم، متوسط فشار سطح دریا، متوسط فشار ایستگاه، میانگین رطوبت نسبی و میانگین سرعت باد در ایستگاه های تبریز، اهر و جلفا بودند. روش مورد استفاده در این تحقیق شامل رگرسیون بردار پشتیبان، Epsilon و Nu ،می باشد. در تمام ایستگاه های 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 ایستگاه های تبریز، اهر و جلفا به ترتیب 19/19، 88/5 و78/15 درصد کاهش داشت. نتایج بیانگر محدویت استفاده از رویکرد کاهش داده برای داده هایی با فاکتور KMO پایین تر از 5/0 است که شامل ایستگاه های تبریز و اهر بودند. تحلیل مولفه های اصلی در هر دو نوع رگرسیون بردار پشتیبان عملکرد مدل را افزایش داد به طوری که در ایستگاه جلفا با بکارگیری تحلیل مولفه های اصلی مقادیر dدر رگرسیون بردار پشتیبان Epsilon و Nu 6/16 و 5/17 درصد افزایش یافت. اجرای چرخش وریماکس در پیش پردازش داده های ورودی به رگرسیون نسبت به تحلیل مولفه های اصلی قوی تر عمل کرد. در این راستا مقادیرRRMSE وRMSE در ایستگاه جلفا با استفاده از رگرسیون بردار پشتیبان Epsilon و با اجرای چرخش به ترتیب 66/6 و 45/6 درصد کاهش داشت. بنابراین تحلیل مولفه های اصلی ابزار مناسبی جهت ارتقاء عملکرد روش های محاسبات نرم با رعایت قیود می باشد.
- حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران میشود.
- پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانههای چاپی و دیجیتال را به کاربر نمیدهد.