برآورد بارندگی با استفاده از روش ترکیبی ماشین بردار پشتیبان- الگوریتم تبرید (مطالعه موردی: ایستگاه سینوپتیک گرگان)

بارندگی یکی از اجزای اساسی چرخه آب است و به عنوان یکی از مهم ترین مولفه‌های ورودی چرخه هیدورلوژیکی به شمار می‌رود. در تحقیق حاضر دقت الگوریتم هیبریدی شبیه‌سازی تبرید بر پایه ماشین‌بردار پشتیبان (svm-sa) در شبیه‌سازی تغییرات بارندگی مورد ارزیابی قرار گرفت. به منظور واسنجی و صحت‌سنجی نتایج از آمار و اطلاعات بارندگی ایستگاه سینوپتیک گرگان طی دوره 40 ساله 1971 تا 2010 استفاده شد. در روند تحقیق ابتدا پارامتر‌های هواشناسی موثر بر مقدار بارندگی تعیین شد. سپس به منظور انتخاب پارامتر‌های ورودی به الگوریتم مورد نظر، با استفاده از نرم‌افزار spss مقدار ضریب همبستگی پیرسون بین پارامتر‌های هواشناسی در سطح معنی‌داری 99 اعمال گردید. نتایج ضریب همبستگی پیرسون نشان داد که از هشت پارامتر مورد نظر، پارامتر‌های ابرناکی، میانگین دمای حداکثر، فشار بخار آب، رطوبت نسبی حداکثر و نقطه شبنم بیشترین همبستگی معنی‌دار در سطح 99 درصد را با بارندگی دارند. بنابراین به‌عنوان پارامتر‌های ورودی برای پیش‌بینی پارامتر بارندگی در الگوریتم svm-sa در نظر گرفته شد. بر اساس نتایج، با استفاده از 5 پارامتر هواشناسی مذکور، مقدار شاخص‌های rmse، se و r2 در بخش آموزش به ترتیب برابر با 6.02 میلی‌متر، 0.01 و 0.999 و در بخش آزمون مقدار این شاخص‌ها به‌ترتیب 18.72 میلی‌متر، 0.03 و 0.925 محاسبه گردید. نتایج نشان داد که روش ترکیبی svm-sa می‌تواند در شبیه‌سازی تغییرات بارندگی در منطقه مورد مطالعه از دقت بالایی برخوردار باشد و این مدل را به عنوان الگوریتم هیبریدی جدید در حوزه علوم مهندسی می‌توان معرفی کرد.

estimation of precipitation using the combined method of support vector machine- simulated annealing algorithm (case study: gorgan synoptic station)

introduction precipitation is one of the essential components of the water cycle and is considered one of the most critical input components of the hydrological cycle. artificial intelligence methods have a comprehensive ability to model and predict complex problems. these methods are based on dynamic systems. they can create a relationship between dependent and independent variables by analyzing input data and the results without considering the physical process governing the system. the svm intelligent hybrid models and the sa optimization algorithm are intelligence methods algorithms that have been used separately or in combination in water science and engineering. in the current research,the accuracy of the simulated annealing algorithm based on a support vector machine (svm-sa) was evaluated in the simulation of precipitation changes.methodology to verify the results, we used the precipitation data of the gorgan synoptic station during the 40 years from 1971 to 2010. non-precipitationmeteorological data have been used to estimate rainfall, including cloud cover, maximum and minimum temperature, water vapor pressure, wind speed, maximum and minimum relative humidity, and dew point. the svm-sa algorithm can avoid the time-consuming trial and error phase to obtain the results and minimize the estimation error. in this method, the input parameters are first determined in the svm algorithm; then, the initial parameters σ and γ are specified. the svm finds the hyperplane that gives the most considerable minimum distance to the training data. sa algorithm avoids wasting time trying to find the optimum values of σ and γ parameters.in this research, the skewness and elongation of the data in spss software indicated the normal distribution of the studied parameter.therefore, due to the non-normality of the data, the normalization of non-rainfall meteorological data was done using the minimum-maximumconversion method (eq. 1) based on the maximum and minimum values.