بررسی تاثیر تعدیل دامنه تغییرات داده ها بر کارایی مدل شبکه عصبی مصنوعی و درخت تصمیم رگرسیونی در پیش بینی خشکسالی
محل انتشار: پژوهشنامه مدیریت حوزه آبخیز، دوره: 2، شماره: 3
سال انتشار: 1390
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 292
فایل این مقاله در 17 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JWMR-2-3_005
تاریخ نمایه سازی: 17 مهر 1400
چکیده مقاله:
Normal
۰
false
false
false
EN-US
X-NONE
AR-SA
/* Style Definitions */
table.MsoNormalTable
{mso-style-name:"Table Normal"
mso-tstyle-rowband-size:۰
mso-tstyle-colband-size:۰
mso-style-noshow:yes
mso-style-priority:۹۹
mso-style-qformat:yes
mso-style-parent:""
mso-padding-alt:۰cm ۵.۴pt ۰cm ۵.۴pt
mso-para-margin:۰cm
mso-para-margin-bottom:.۰۰۰۱pt
mso-pagination:widow-orphan
font-size:۱۱.۰pt
font-family:"Calibri","sans-serif"
mso-ascii-font-family:Calibri
mso-ascii-theme-font:minor-latin
mso-fareast-font-family:"Times New Roman"
mso-fareast-theme-font:minor-fareast
mso-hansi-font-family:Calibri
mso-hansi-theme-font:minor-latin
mso-bidi-font-family:Arial
mso-bidi-theme-font:minor-bidi}
خشکسالی یکی از اثرات تغییر سامانه
اقلیمی است. پیش بینی خشکسالی نقش مهمی در اعمال روش های موثر مدیریت منابع آب ایفا می کند. روش های مختلفی برای مطالعه خشکسالی
وجود دارد. روش تحلیل داده های بارندگی، جزء عمومی روش های تحلیل خشکسالی به شمار
می رود. لذا پیش بینی دقیق و پیش از وقوع بارش می تواند شرایط را برای ارزیابی
وضعیت خشکسالی فراهم نماید. هدف از این پژوهش، بررسی تاثیر پیش
پردازش داده ها بر عملکرد دو مدل داده کاوی در پیش بینی خشکسالی در ایستگاه
سینوپتیک یزد می باشد. در این رابطه از دو روش شبکه عصبی مصنوعی و درخت تصمیم
رگرسیونی که از انواع روش های داده کاوی محسوب می شود استفاده شد و شبیه سازی ها
در دو حالت کلی صورت گرفت. در حالت اول، از مقادیر اصلی برخی پارامترهای اقلیمی استفاده
و میزان بارش ۱۲ ماه پیش از وقوع پیش بینی گردید. در حالت دوم میانیگن متحرک سه
ساله همان داده ها به مدل معرفی و پیش بینی بر همین اساس انجام شد. در پایان برای
ارزیابی دقت و درستی دو روش مورد استفاده، معیارهای آماریRMSE ، R مورد استفاده قرار گرفت. یافته ها نشان داد
که اعمال میانگین لغزان روی داده های اصلی به نحو چشمگیری در بهبود کارایی هر دو مدل موثر می باشد و در این
شرایط هر دو روش درخت تصمیم رگرسیونی و شبکه عصبی مصنوعی در ایستگاه یزد قادرند با
ضریب اطمینان بالایی میزان بارش را ۱۲ ماه پیش از وقوع برآورد نمایند.
کلیدواژه ها: