مقايسه عملكرد مدل هاي GP ،ANN ، BCSD و SVM در شبيه سازي دما

Performance comparison of GP, ANN, BCSD and SVM models for temperature simulation

در اين پژوهش به منظور ارزيابي عملكرد مدل هاي شبيه سازي از چهار روش GP، ANN، BCSD و SVM استفاده شد. مدل سازي بر اساس داده هاي بزرگ مقياس مدل هاي گردش عمومي جو و دماي ميانگين روزانه ايستگاه سينوپتيك اهواز در دوره 2004 - 1971 انجام شد و ارزيابي هر مدل بر اساس معيارهاي ضريب همبستگي و خطاي مدل سازي بين داده هاي مشاهداتي و شبيه سازي شده انجام گرفت. نتايج مدل سازي نشان داد كه ضريب همبستگي بين داده هاي مشاهداتي و شبيه سازي شده در روش SVM از ساير روش ها بيشتر بوده و مقدار آن 9960 / 0 مي باشد. ضريب همبستگي براي روش GP، ANN و BCSD به ترتيب برابر 0/9393 ، 9383 / 0 و 4936/ 0 مي باشد. همچنين نتايج حاصل از ارزيابي خطاي شبيه سازي با استفاده از معيارهاي RMSE و NSE براي SVM به ترتيب 677/ 0 و 995 / 0 درجه سانتي گراد محاسبه شده است. به طور مشابه اين مقادير براي 1/644 GP و 969 / 1/657 ANN ،0 و 968 / 0 و 6/174 BCSD و 661/ 0 درجه مي باشد. بنابراين SVM در مدل سازي دماي ميانگين نسبت به ساير روش ها از عملكرد بهتري برخوردار است و مدل سازي دما به روش BCSD نسبت به ساير روش ها از دقت كمتري برخوردار است. روش GP نسبت به ANN برتري ضعيفي دارد و پيشنهاد مي شود براي ارزيابي عملكرد دقيق تر اين دو مدل از دماهاي حداقل و حداكثر استفاده شود

In this study, GP, ANN, BCSD and SVM were used to evaluate the performance of simulation models. The modeling based on the large scale data of atmospheric general circulation and the mean daily temperature of the Ahwaz synoptic station was conducted during the period of 1971-2004, and the evaluation of each model was based on the correlation coefficient and modeling error between simulated and observational data. The results of modeling indicated that the correlation coefficient between observation and simulation data in the SVM model is more than in other models, and its value is 0.9960. The correlation coefficient for the GP, ANN and BCSD models is equal to 0.9393, 0.9384, and 0.4936 respectively. Moreover, the results of the evaluation of the simulation error were calculated using the RMSE and NSE criteria for SVM to be 0.677 and 0.955 degrees Celsius respectively. Similarly, these values are 1.644 and 0.969 for GP, 1.657 and 0.968 for ANN, and 6.174 and 0.661 for BCSD. Therefore, SVM has better performance in modeling the mean daily temperature than other methods, and modeling the mean daily temperature by the BCSD method is less accurate than other methods. The GP method has a weak advantage over ANN, and it is recommended to use the minimum and maximum temperatures for the more precise performance of these two models