جستجوی مقالات مرتبط با کلیدواژه « support vector regression » در نشریات گروه « هواشناسی »
تکرار جستجوی کلیدواژه «support vector regression» در نشریات گروه «علوم پایه»-
پیش بینی تغییرات آب و هوایی کره زمین با استفاده از مقادیر ثبت شده در دوره آماری حاضر نیازمند روشی دقیق بوده که بتوان نوسانات این تغییرات را به خوبی شناسایی کرده و با الگوگیری از این تغییرات مقادیر پارامتر مورد نظر را برای سال ها و یا دوره های آینده پیش بینی نمود. در این مطالعه شش مدل رگرسیون چند متغیره، ANN، SVR، ANFIS، SVM و GP جهت ریزمقیاس نمایی مقادیر متوسط دمای روزانه ایستگاه همدیدی ارومیه با استفاده از 26 پارامتر پیش بینی کننده منتج از گزارش پنجم IPCC مورد بررسی و مقایسه قرار گرفت. مقادیر دمای متوسط روزانه ایستگاه مورد بررسی از تاریخ 12 مارس 1961 (29 اسفند 1384) تا تاریخ 20 دسامبر 2005 (29 آذر 1384) انتخاب گردید. در تمامی روش های ذکر شده با استفاده از آزمون پیرسون از بین 26 پارامتر پیش بینی کننده ، 16 پارامتر که همبستگی بالایی با مقادیر دمای متوسط روزانه داشته انتخاب گردید. جهت بررسی مقادیر خطای ناشی از مدل سازی از سه معیار ضریب تبیین، مجذور میانگین مربعات خطا و معیار کارایی مدل استفاده شد. نتایج بررسی دقت و میزان خطای مدل ها نشان داد که در بین مدل های هوشمند GP، ANN، ANFIS و SVM، مدل برنامه ریزی ژنتیک کمترین مقدار خطا را داشته و در بین مدل های رگرسیونی (رگرسیون چندمتغیره و رگرسیون بردار پشتیبان) روش رگرسیون بردار پشتیبان، کمترین میزان خطا و بیشترین میزان دقت را در شبیه سازی مقادیر دمای روزانه ایستگاه همدیدی ارومیه داشته است. به طور کلی نتایج شبیه سازی مقادیر دما روزانه نشان دهنده دقیق تر بودن روش های رگرسیونی نسبت به روش های هوشمند می باشد. از آنجا که این مطالعه تنها با استفاده از داده های ایستگاه همدیدی ارومیه انجام گرفته است، لذا نتایج حاصله تنها برای ایستگاه مذکور اعتبار داشته و با اطمینان نمی توان نتایج را برای تمامی ایستگاه ها تعمیم داد.
کلید واژگان: الگوریتم ژنتیک, درجه حرارت, دریاچه ارومیه, ماشین بردار پشتیبان, ریز مقیاس}Prediction of climate change using the recorded data from reference periods requires precise methods that are able to accurately detect fluctuations and predict changes for future periods. In this study, six multivariate regression models, ANN, SVR, ANFIS, SVM and GP, were investigated and compared for down scaling the daily mean temperature of the Urmia synoptic station, using 26 prediction parameters taken from the fifth IPCC report. The average daily temperature values measured from 12/03/1961 to 20/12/2005 were used for the analysis. 16 of the 26 parameters having a high correlation with the average daily temperature values were selected for all methods using the Pearson correlation test. To investigate the modeling errors, the coefficient of determination, Root Mean Square Error, and effectiveness criteria were used. The results of the evaluation of the accuracy and modeling error showed that among the smart models, GP, ANN, ANFIS and SVM, the Genetic Programming model has the least amount of errors, and in the regression model (multivariate regression and support vector regression) support vector regression has the lowest error rate and the highest accuracy of simulated daily temperature values of the Urmia station. In general, the results of the simulation of the mean daily temperature indicate that regression has better accuracy than smart methods. Since in this study, we only used the data from the Urmia synoptic station, so the results are only valid for this station, and it is not safe to generalize the results for all stations.
Keywords: Down Scaling, Genetic Algorithm, Support vector regression, Temperature, Urmia Lake}
- نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
©2000-2024 magiran.com All Rights Reserved.