تحلیل عدم قطعیت مدل‌های شبکه عصبی مصنوعی و ماشین بردار پشتیبان در تخمین بارش

در این تحقیق سعی گردید، ترکیب ورودی و مدل مناسب برای تخمین بارش های شهرستان شاهرود تعیین گردد. برای رسیدن به این هدف از داده های ماهانه هواشناسی شامل تبخیر، دما، رطوبت نسبی هوا، تابش های خورشیدی، سرعت باد در دوره آماری 1342 تا 1394 و مدل های شبکه عصبی مصنوعی و ماشین بردار پشتیبان استفاده شده است. 75 درصد از داده ها برای واسنجی و 25 درصد دیگر جهت اعتبارسنجی مدل ها استفاده شده است. در این تحقیق از شبکه عصبی مصنوعی پرسپترون چند لایه با تابع تانژانت سیگموئید و 1 تا 30 نرون در لایه پنهان و از مدل ماشین بردار پشتیبان با تابع کرنل پایه شعاعی جهت تخمین بارش های منطقه شهرستان شاهرود استفاده شده است. عملکرد هر یک از مدل ها با استفاده از شاخص های آماری مجذور میانگین مربعات خطا و ضریب همبستگی ارزیابی شده است و عدم قطعیت مدل ها نیز به ازای دو پارامتر dfactor و pfactor تعیین گردیده است. با توجه به این که هر دو مدل عملکرد مناسبی در تخمین بارش داشته اند، ولی مدل ماشین بردار پشتیبان با خطا و عدم قطعیت کمتری نسبت به مدل شبکه عصبی مصنوعی، عملکرد بهتری در تخمین بارش شهرستان شاهرود داشته است. بنابراین مدل ماشین بردار پشتیبان می تواند به عنوان یک مدل بسیار مناسب در تخمین بارش مورد استفاده قرار گیرد.

Uncertainty analysis of artificial neural network models and support vector machine in rainfall estimation

AbstractIn this research, we tried to determine the input composition and model for estimation of precipitation in Shahrood. To achieve this objective, monthly weather data including evaporation, temperature, relative humidity, solar radiation, wind speed during the period of 1963 to 1915, and artificial neural network and support vector machines have been used. 75% of the data was used for calibration and 25% for validation of the models. In this research, an artificial neural network of laminated perceptron with a sigmoid tangent function and 1 to 30 neurons in the hidden layer was used and a support vector machine model with radial base kernel function was used to estimate rainfall in Shahrood district. The performance of each model was evaluated using the statistical mean square error and correlation coefficient. The uncertainty of the models was also determined for two parameters, dfactor and pfactor. Considering that both models have good performance in rainfall estimation, the support vector machine model with less error and uncertainty than artificial neural network model has better performance in predicting rainfall in Shahrood. Therefore, a support vector machine model can be used as a very suitable model for precipitation estimation.