ارزیابی عملکرد شبکۀ عصبی مصنوعی (ANN) و ماشین بردار پشتیبان (SVM) در تخمین مقادیر روزانۀ تبخیر (مطالعۀ موردی: ایستگاههای هواشناسی تبریز و مراغه) | ||
| پژوهش های جغرافیای طبیعی | ||
| مقاله 11، دوره 49، شماره 1، 1396، صفحه 151-168 اصل مقاله (947.71 K) | ||
| نوع مقاله: مقاله کامل | ||
| شناسه دیجیتال (DOI): 10.22059/jphgr.2017.61585 | ||
| نویسندگان | ||
| محمد عیسی زاده* 1؛ منیر شیرزاد2؛ مجید رضایی بنفشه3 | ||
| 1دانشجوی دکتری، مهندسی منابع آب، دانشکدة کشاورزی، دانشگاه تبریز | ||
| 2دانشجوی کارشناسی ارشد سنجش از دور و gis، دانشکدة جغرافیا و برنامه ریزی، دانشگاه تبریز | ||
| 3دانشیار، گروه آبوهواشناسی، دانشکدة جغرافیا و برنامه ریزی، دانشگاه تبریز | ||
| چکیده | ||
| تبخیر مؤلفهای اساسی در چرخة هیدرولوژی است و نقش مهمی در مدیریت منابع آب دارد. در این تحقیق عملکرد مدلهای شبکة عصبی مصنوعی (ANN) و ماشین بردار پشتیبان (SVM) در تخمین تبخیر روزانه ارزیابی شده است. دادههای روزانة هواشناسی میانگین دما، سرعت باد، فشار هوا، رطوبت نسبی، بارش، دمای نقطة شبنم، و ساعت آفتابی ایستگاههای سینوپتیک تبریز و مراغه، به منزلة ورودی مدلهای ANN و SVM، برای تخمین تبخیر روزانه استفاده شد. نخست ده ترکیب مختلف از هفت ورودی و سپس ورودیهای منفرد به منظور تخمین تبخیر بهکار گرفته شدند. نتایج مدلهای استفادهشده نشان داد که هر دو مدل ANN و SVM عملکرد قابل قبولی در تخمین تبخیر دارند. ارزیابی نتایج استفاده از ورودیهای تکی نشان داد که بهترتیب کاربردِ پارامترهای میانگین دما و ساعت آفتابیـ نسبت به پارامترهای دیگر ـ نتایج بهتری در تخمین تبخیر هر یک از ایستگاهها داشته است. بررسیهای این تحقیق نشان میدهد که اگرچه تفاوت معنیداری بین نتایج سه تابع کرنل ماشین بردار پشتیبان وجود ندارد، تابع کرنل پایة شعاعی در مقایسه با توابع کرنل دیگر از دقت زیاد و عملکرد بهتری در تخمین تبخیر روزانه برخوردار است. | ||
| کلیدواژهها | ||
| تبریز؛ تخمین تبخیر؛ شبکة عصبی مصنوعی؛ ماشین بردار پشتیبان؛ مراغه | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 2,228 تعداد دریافت فایل اصل مقاله: 1,467 |
||