پیش پردازش پارامترهای ورودی به شبکه ی عصبی مصنوعی و سیستم استنتاج تطبیقی عصبی- فازی با استفاده از رگرسیون گام به گام و گاماتست به منظور تخمین تبخیر

فرایند تبخیر به علت نیاز به فاکتورهای اقلیمی مختلف و اثر متقابل این فاکتورها بر یکدیگر،یک پدیده یغیرخطی و پیچیده است. یکی از مراحل پیچیده در مدل سازی غیرخطی، پیش پردازش پارامترهای ورودی برای انتخاب ترکیبی مناسب از آن ها است. پیش پردازش داده ها سبب کاهش مراحل سعی و خطا و شناخت مهم ترین پارامترهای موثر بر پدیده ی مورد نظر به-منظور مدل سازی با استفاده از روش های هوشمند می شود. در این پژوهش از دو روش رگرسیون گام به گام (fs) و گاماتست (gt) برای پیش پردازش پارامترهای ورودی به شبکه ی عصبی پرسپترون چندلایه و سیستم استنتاج تطبیقی عصبی- فازی برای تخمین تبخیر روزانه ی ایستگاه هواشناسی شهرکرد استفاده شده است. برای ارزیابی تاثیرپیش پردازش پارامترهای ورودی با استفاده از معیارهای مختلف آماری سنجش خطا به مقایسه ی چهار مدل ann-fs، ann-gt، anfis-fs و anfis-gt (با پارامترهای پیش پردازش شده) با یکدیگر و هم چنین با مدل های ann و anfisکه هیچ گونه پیش-پردازشی روی پارامترهای ورودی آن ها انجام نشده است، پرداخته شد. نتایج نشان داد که هر شش مدل از دقت بالایی برای تخمین تبخیر روزانه برخوردار هستند و از میان شش مدل مزبور، مدل anfis-fs با مقدار ضریب تبیین (r2) 91/0 و جذر میانگین مربعات خطای (rmse) 11/0 چه در مرحله ی آموزش و چه در مرحله ی آزمون، نسبت به مدل های دیگر از دقت بالاتری برخوردار است. اگرچه در این پژوهش برتری مدل های پیش پردازش ناچیز است اما توانایی مشخص نمودن ترتیب اهمیت پارامترهای ورودی، تعیین تعداد تقریباً 3720 داده ی معنی دار برای آموزش شبکه و یافتن بهترین ترکیب، آزمون گاماتست را می تواند به عنوان ابزاری مفید برای پیش پردازش پارامترهای ورودی برای مدل سازی سریع تر تبخیر تبدیل کند.