بررسی عملکرد مدل هیبریدی ماشین بردار پشتیبان- موجک درپیشبینی توفانهای گردوغبار (مطالعۀ موردی: استان سیستان و بلوچستان) | ||
| مدیریت مخاطرات محیطی | ||
| مقاله 1، دوره 7، شماره 4، زمستان 1399، صفحه 331-351 اصل مقاله (1.08 M) | ||
| نوع مقاله: پژوهشی کاربردی | ||
| شناسه دیجیتال (DOI): 10.22059/jhsci.2021.314582.614 | ||
| نویسندگان | ||
| محمد انصاری قوجقار1؛ جواد بذرافشان* 2؛ شهاب عراقی نژاد2؛ احسان پارسی3؛ شکور سلطانی4 | ||
| 1دانشجوی دکتری گروه مهندسی آبیاری و آبادانی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران | ||
| 2دانشیار گروه مهندسی آبیاری و آبادانی، دانشکدۀ مهندسی و فناوری کشاورزی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران | ||
| 3کارشناس مطالعات، شرکت مهندسین مشاور آب و انرژی اروند، اهواز، ایران | ||
| 4کارشناس آب وزارت نیرو، تهران، ایران | ||
| چکیده | ||
| بهمنظور کنترل و مدیریت صحیح توفانهای گردوغبار، آگاهی از تغییرات زمانی این پدیده و لزوم پیشبینی و مدلسازی آن ضروری است. در این پژوهش بهمنظور پیشبینی متغیر فراوانی روزهای همراه با توفان گردوغبار (FDSD)، نتایج دو روش هیبریدی با نام ماشین بردار پشتیبان- موجک (W-SVM) و ماشین بردار پشتیبان- الگوریتم گیاهان مصنوعی (AF-SVM) بههمراه مدل انفرادی ماشین بردار پشتیبان (SVM)، مقایسه شد. بدین منظور از دادههای ساعتی گردوغبار و کدهای سازمان جهانی هواشناسی در مقیاس فصلی با طول دورۀ آماری چهلساله (2018-1980) در پنج ایستگاه سینوپتیک منتخب استان سیستان و بلوچستان استفاده شد. معیارهای ضریب تبیین، ریشۀ میانگین مربعات خطا، میانگین قدرمطلق خطا و ضریب نشساتکلیف برای ارزیابی و مقایسۀ مدلها، استفاده شد. نتایج در مرحلۀ آموزش و آزمایش نشان داد که ساختارهای ترکیبی استفادهشده، نتایج قابل قبولی در مدلسازی شاخص FDSD ارائه میکنند. مدل هیبریدی ماشین بردار پشتیبان- موجک با ضریب همبستگی (984/0-911/0R2=)، ریشۀ میانگین مربعات خطا (day 314/0-397/0RMSE=)، میانگین قدر مطلق خطا (day 335/0-236/0MAE=) و ضریب نشساتکلیف (965/0-924/0NS=)، عملکرد بهتری نسبت به دیگر مدلهای استفادهشده در پیشبینی شاخص FDSD داشته است. نتایج این تحقیق میتواند در مدیریت پیامدهای ناشی از توفانهای گردوغبار و برنامههای مقابله با بیابانزایی در مناطق تحت مطالعه مؤثر واقع شود. | ||
| کلیدواژهها | ||
| الگوریتم گیاهان مصنوعی؛ پیشبینی؛ سیستان و بلوچستان؛ ماشین بردار پشتیبان | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 958 تعداد دریافت فایل اصل مقاله: 651 |
||