تحلیل مقایسه ای با استفاده از محاسبات نرم در پیش بینی تبخیر تعرق مرجع در باجگاه شیراز

در این پژوهش، با استفاده از سه مدل یادگیری ماشین شامل ماشین بردار پشتیبان (SVM)، برنامه ریزی بیان ژن (GEP) و شبکه عصبی مصنوعی (ANN) میزان تبخیر و تعرق مرجع در ایستگاه باجگاه در استان فارس با استفاده از عناصر اقلیمی شامل دما (T)، رطوبت (H)، سرعت باد (WS)، تعداد ساعات آفتابی (SH) و بارش (P) انجام شده است.برای تعیین بهترین ترکیب ورودی برای مدل های یادگیری ماشین، از گاما تست استفاده شد. این آزمون برای تعیین تاثیر میزان هر یک از متغیرهای مستقل بر روی متغیر وابسته مورد استفاده قرار می گیرد. سهم فرآیندهای آموزش و آزمون از داده ها به ترتیب ۷۰ درصد (شامل ۵۳۷۰ داده) و ۳۰ درصد (۲۳۰۰ داده) در نظر گرفته شدند. با استفاده از این داده ها، پارامترهای تنظیمی هر یک از مدل ها برای رسیدن به بهینه ترین خروجی محاسبه شدند. ارزیابی عملکرد مدل ها با چهار شاخص RMSE (مجموع مربعات میانگین خطا)، MAE (میانگین خطای مطلق)، R۲ (ضریب تبیین) و DDR (نسبت تفاوت توسعه داده شده) انجام شدند. طبق نتایج به دست امده مشخص شد هر سه مدل قادر به پیش بینی مقدار ETO با مقادیر دقت نسبی مختلف هستند اما در این میان مدل GEP بیشترین دقت و کمترین خطا را به خود اختصاص داد. برای مدل GEP با ساختار سه ژن، مقدار شاخص های ارزیابی عملکرد (RMSE, MAE, R۲, ETO(DDR)MAX) در گام آموزش برابر با (۴۲/۴، ۹۸۱۶۷/۰، ۲۲۱۹/۰، ۲۷۵۲) و در گام آزمون (۵۴/۸، ۹۹۰۷/۰، ۱۵۱۵/۰، ۱۹۸۵/۰) به دست آمدند. مدل های SVM و ANN در رتبه های بعدی شبیه سازی قرار گرفتند.

کلیدواژه ها:

اقلیم ، پیش بینی ، هوش مصنوعی ، تحلیل حساسیت ، ارزیابی عملکرد