>
Fa   |   Ar   |   En
   پیش بینی بارش ماهانه با استفاده از مدل های برنامه ریزی ژنتیک و ماشین بردار پشتیبان  
   
نویسنده شرفی میلاد ,صمدیان فرد سعید ,هاشمی سجاد
منبع سامانه هاي سطوح آبگير باران - 1399 - دوره : 8 - شماره : 27 - صفحه:63 -71
چکیده    برآورد و پیش بینی بارش و دستیابی به مقدار رواناب ناشی از آن، نقش اساسی و موثری را در مدیریت و بهره برداری صحیح از حوضه، مدیریت سدها و مخازن، به حداقل رساندن خسارات ناشی از سیلاب و خشکسالی و مدیریت منابع آب ایفا می کند. عملکرد مطلوب مدل های هوشمند باعث افزایش استفاده از آن ها برای پیش بینی پدیده های مختلف هیدرولوژیکی شده است. لذا در این پژوهش، دو مدل هوشمند برنامه ریزی ژنتیک و ماشین بردار پشتیبان برای پیش بینی بارش ماهانه استان اردبیل به کار گرفته شده و از داده های بارش، دما و رطوبت نسبی در مقیاس ماهانه به عنوان پارامترهای ورودی مدل ها استفاده شد. نتایج به دست آمده نشان داد که عملکرد هر دو مدل خوب و تقریبا یکسان بوده (میانگین خطای مطلق به ترتیب 0.8 و 0.721) ولی با توجه به ارزیابی های انجام شده مدل رگرسیون بردار پشتیبان عملکرد نسبتا بهتری داشته است (ضریب همبستگی0.999). به طورکلی می توان گفت که مدل رگرسیون بردار پشتیبان برای مدل سازی و پیش بینی بارش ماهانه استان اردبیل مناسب تر بوده است.
کلیدواژه بارش ماهانه، برنامه ریزی ژنتیک، تابع برازش، ضریب همبستگی، ماشین بردار پشتیبان
آدرس دانشگاه تبریز, دانشکده کشاورزی, گروه مهندسی آب, ایران, دانشگاه تبریز, دانشکده کشاورزی, گروه مهندسی آب, ایران, دانشگاه تبریز, دانشکده کشاورزی, گروه مهندسی آب, ایران
 
   Monthly rainfall Forecasting using genetic programming and support vector machine  
   
Authors Sharafi Milad ,Samadian Fard Saeed ,Hashemi Sajjad
Abstract    Rainfall and runoff estimation play a fundamental and effective role in the management and proper operation of the watershed, dams and reservoirs management, minimizing the damage caused by floods and droughts, and water resources management. The optimal performance of intelligent models has increased their use to predict various hydrological phenomena. Therefore, in this study, two intelligent models including, genetic programming and support vector machine were used to forecast the monthly precipitation of Ardabil province. For this purpose, precipitation, temperature, and relative humidity on a monthly scale were considered as the input parameters of the models. The results showed that the performances of both models were good and almost the same (mean absolute error of 0.8 and 0.721, respectively), but according to the evaluations, the support vector regression model had a relatively better performance (correlation coefficient 0.999) compared to another model. In general, it can be concluded that the support vector regression model has been more suitable for modeling and forecasting monthly precipitation in Ardabil province.
Keywords Monthly rainfall ,Genetic programming ,Fitting function ,Correlation coefficient ,Support vector machine.
 
 

Copyright 2023
Islamic World Science Citation Center
All Rights Reserved