تحلیل عدم قطعیت دو مدل ماشین بردار پشتیبان و شبکه عصبی مصنوعی در تخمین توابع انتقالی مطالعه موردی: منطقه شاهرود

به طور یقین توابع انتقالی به دست آمده از مدلهای داده مبنای مورد استفاده شامل عدم قطعیت میباشند که بایستی به آن پرداخته شود. این عدم قطعیت بخشی ناشی از عدم قطعیت همراه با مدل مورد استفاده برای توسعه توابع انتقالی است و بخشی ناشی از عدم قطعیت همراه با مقادیر پارامترهای ورودی می باشد. از آنجا که مهمترین منبع عدم قطعیت مدلهای داده مبناء انتخاب داده ه ای مرحله آموزش میباشد، که خود منجر به تعیین وزنهای مختلف میگردد لذا انتخاب ترکیب های مختلف داده های این مرحله میتواند سبب خروجی های متفاوت گردد و ضرورت بررسی این شبیه سازیهای مختلف ناشی وزنهای بهدست آمده از داده ه ای مختلف را توجیه میکند. این تحقیق به بررسی عدم قطعیت مدلهای حاصله از دو روش داده مبناء شامل شبکه عصبی مصنوعی و ماشینهای بردار پشتیبان پرداخته است. ارزیابی عدم قطعیت پارامترهای ورودی با استفاده از شبیه سازی مونت کارلو با تعداد 1000 بار تکرار نمونه گیری از توزیع واقعی متغیرهای ورودی و ارزیابی خروجی های متناظر با آنها از توابع انتقالی خاک صورت گرفته است. از آنجا که در تحقیقات مرتبط با تحلیل عدم قطعیت نیاز به معیارهایی به منظور ارزیابی محدوده ه ای اطمینان تولید شده میباشد، لذا معیارهایی جهت ارزیابی و تحلیل به کار رفته است. برای ظرفیت زراعی مقادیر ARIC ، P95% و NUE به ترتیب 0/103، 0/729 و 5/15 برای شبکه عصبی و 0/044 و 0/523 و 6/21 برای رگرسیون بردار پشتیبان بدست آمده است که بهطور یقین عدم قطعیت SVR در مقایسه با ANN برای ظرفیت زراعی بهتر بوده است. همچنین نتایج معیارهای ارزیابی عدم قطعیت برای نقطه پژمردگی دایم، همچنان از برتری رگرسیون بردار پشتیبان گزارش میدهند. مقادیر NUE به ترتیب، 3/78 برای SVR و 1/57 برای ANN حاکی از این مهم است.

کلیدواژه ها:

عدم قطعیت (Uncertainty) ، ماشین بردار پشتیبان (SVM) ، شبکه های عصبی مصنوعی (ANN) ، توابع انتقالی