مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

مقاله مقاله نشریه

مشخصات مقاله

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

video

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

sound

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

بازدید:

90
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

دانلود:

44
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

استناد:

اطلاعات مقاله نشریه

عنوان

مدل سازی بارش روزانه و ماهانه تبریز با استفاده از مدل های یادگیری جمعی و رگرسیون درخت تصمیم

صفحات

 صفحه شروع 31 | صفحه پایان 48

چکیده

 بارش یکی از مهم­ترین مولفه­های هیدرولوژی و هواشناسی است که پیش­بینی مقادیر آن در زمینه­های مختلفی همچون کشاورزی, شرب, صنعت, بهداشت, اقلیم و محیط­زیست از اهمیت ویژه ای برخوردار است. با توجه به اینکه وقوع, نوع و میزان بارش به عوامل بسیار زیادی بستگی دارد, مدل سازی و پیش­بینی مقدار بارش همواره دارای پیچیدگی ها و چالش های فراوان بوده است. در این پژوهش از داده­های پارامترهای هواشناسی ایستگاه همدیدی تبریز شامل دماهای کمینه, بیشینه و میانگین, رطوبت نسبی میانگین, فشار هوای میانگین, سرعت باد بیشینه و بارش در مقیاس های زمانی روزانه و ماهانه در یک دوره 35 ساله (2020-1986) استفاده شد. از روش های یادگیری ماشین و یادگیری جمعی شامل شبکه عصبی مصنوعی پرسپترون چندلایه (MLP), جنگل تصادفی (RF), آدابوست (AB), تقویت گرادیان (GB), درختان اضافی (ET) و مدل رگرسیون درخت تصمیم (DTR) برای مدل سازی بارش استفاده شد. بدین منظور 70 درصد از داده­ها برای آموزش و 30 درصد از داده ها نیز برای آزمون مدل ها در نظر گرفته شدند. برای ارزیای مدل های مورد استفاده, از معیارهای آماری ضریب همبستگی (R), جذر میانگین مربعات خطاها (RMSE), میانگین خطای مطلق (MAE) و کلینگ گوپتا (KGE) استفاده شد. مطابق نتایج این تحقیق در مقیاس روزانه مدل MLP با 993/0R=, 184/0RMSE= میلی متر, 184/0MAE= میلی متر و 82/0KGE= و مدل ET با 986/0R=, 324/0RMSE= میلی متر, 324/0MAE= میلی متر و 75/0KGE= و در مقیاس ماهانه به ترتیب مدل MLP با 999/0R=, 153/0RMSE= میلی متر, 222/0MAE= میلی متر و 88/0KGE= و مدل ET با 981/0R=, 266/0RMSE= میلی متر, 197/0MAE= میلی متر و 71/0KGE= از بیشترین دقت و کمترین خطا برخوردارند. به طورکلی نتایج این پژوهش نشان دهنده عملکرد بسیار مناسب مدل­های یادگیری ماشین و یادگیری جمعی در مدل سازی بارش در هر دو مقیاس زمانی روزانه و ماهانه است.

چندرسانه ای

  • ثبت نشده است.

    • استنادها

  • ثبت نشده است.

    • ارجاعات

  • ثبت نشده است.

    • استناددهی

    مقالات مرتبط نشریه ای

  • ثبت نشده است.

    • مقالات مرتبط همایشی

  • ثبت نشده است.

    • طرح های مرتبط

  • ثبت نشده است.

    • کارگاه های پیشنهادی






    بازگشت به بالا
    telegram sharing button
    whatsapp sharing button
    linkedin sharing button
    twitter sharing button
    email sharing button
    email sharing button
    email sharing button
    sharethis sharing button