مقایسه عملکرد مدل هایGP ،ANN ، BCSD و SVM در شبیه سازی دما

     در این پژوهش به منظور ارزیابی عملکرد مدل­های شبیه­سازی از چهار روش GP، ANN، BCSD و SVM استفاده شد. مدل­سازی بر اساس داده­های بزرگ مقیاس مدل­های گردش عمومی جو و دمای میانگین روزانه ایستگاه سینوپتیک اهواز در دوره ۲۰۰۴-۱۹۷۱ انجام شد و ارزیابی هر مدل بر اساس معیارهای ضریب همبستگی و خطای مدل­سازی بین داده­های مشاهداتی و شبیه­سازی شده انجام گرفت. نتایج مدل­سازی نشان داد که ضریب همبستگی بین داده­های مشاهداتی و شبیه­سازی شده در روش SVM از سایر روش­ها بیشتر بوده و مقدار آن ۹۹۶۰/۰ می­باشد. ضریب همبستگی برای روش GP، ANN و BCSD به ترتیب برابر ۹۳۹۳/۰ ، ۹۳۸۴/۰ و ۴۹۳۶/۰ می­باشد. همچنین نتایج حاصل از ارزیابی خطای شبیه­سازی با استفاده از معیارهای RMSE وNSE  برای SVM به ترتیب ۶۷۷/۰ و ۹۹۵/۰ درجه سانتی­گراد محاسبه شده است. به طور مشابه این مقادیر برای GP ۶۴۴/۱ و ۹۶۹/۰، ANN ۶۵۷/۱ و ۹۶۸/۰ و BCSD ۱۷۴/۶ و ۶۶۱/۰ درجه می­باشد. بنابراین SVM در مدل­سازی­ دمای میانگین نسبت به سایر روش­ها از عملکرد بهتری برخوردار است و مدل­سازی دما به روش BCSD نسبت به سایر روش­ها از دقت کمتری برخوردار است. روش GP نسبت به ANN برتری ضعیفی دارد و پیشنهاد می­شود برای ارزیابی عملکرد دقیق­تر این دو مدل از دماهای حداقل و حداکثر استفاده شود.

کلیدواژه ها:

برنامه ریزی ژنتیک ، تغییر اقلیم ، مدل سازی ، ماشین بردار پشتیبان