استفاده از تحلیل مولفه اصلی برای تعیین ورودی‌های موثر بر تخمین بارش به کمک شبکه عصبی مصنوعی و ماشین‌ بردار پشتیبان

مدیریت نزولات جوی و استفاده بهینه از این منابع کمک شایانی به مدیریت منابع آب می کند و همچنین در مدیریت منابع آب تخمین پارامتر هیدرولوژیکی نقش اساسی دارند. در این تحقیق تخمین بارش سه ایستگاه سینوپتیک آستارا، لاهیجان و جیرنده واقع در استان گیلان با استفاده از شبکه عصبی مصنوعی (ann) و ماشین بردار پشتیان (svm) انجام گرفته است. از روش تحلیل مولفه اصلی (pca) برای پیش پردازش داده ها و تعیین داده های ورودی استفاده گردید. با توجه به نتایج، در روش تحلیل مولفه های اصلی نیز برای ایستگاه سینوپتیک آستارا و جیرنده، پنج مولفه اصلی و برای ایستگاه لاهیجان چهار مولفه اصلی انتخاب شده است. نتایج مدل سازی حاکی از این است که، مدل شبکه عصبی مصنوعی مبتنی بر تحلیل مولفه اصلی (pca-ann) در ایستگاه های آستارا و جیرنده به ترتیب با مجذور میانگین مربعات خطای 74/2 و 62/2 میلی متر و مدل ماشین بردار پشتیبان مبتنی بر تحلیل مولفه اصلی (pca-svm) در ایستگاه لاهیجان با مجذور میانگین مربعات خطای 53/2 میلی متر را می توان به عنوان مدل های منتخب برای ایستگاه های مذکور انتخاب کرد. در نهایت با توجه به نتایج می توان چنین نتیجه گرفت که روش های استفاده شده پیش پردازش داده ها در این تحقیق برای پیش بینی بارش همچنین مدل svmدر ایستگاه لاهیجان و مدل ann در ایستگاه های آستارا و جیرنده عملکرد قابل قبولی داشته است.