پديد آورندگان :
اميرآبادي زاده، مهدي دانشگاه بيرجند - دانشكده كشاورزي - گروه علوم و مهندسي آب , ناظري تهرودي، محمد دانشگاه بيرجند - دانشكده كشاورزي - گروه علوم و مهندسي آب , زينلي، محمد جواد دانشگاه بيرجند - دانشكده كشاورزي - گروه علوم و مهندسي آب
كليدواژه :
الگوريتم ژنتيك , دما , درياچه اروميه , شبكه عصبي , ماشين بردار پشتيبان , ريزمقياس نمايي
چكيده فارسي :
پيش بيني تغييرات آب و هوايي كره زمين با استفاده از مقادير ثبت شده در دوره آماري حاضر نيازمند روشي دقيق بوده
كه بتوان نوسانات اين تغييرات را به خوبي شناسايي كرده و با الگوگيري از اين تغييرات مقادير پارامتر مورد نظر را براي
سال ها و يا دوره هاي آينده پيش بيني نمود. در اين مطالعه شش مدل رگرسيون چند متغيره ، ANN، SVR، ANFIS
SVM و GP جهت ريزمقياس نمايي مقادير متوسط دماي روزانه ايستگاه همديدي اروميه با استفاده از 26 پارامتر
پيش بيني كننده منتج از گزارش پنجم IPCC مورد بررسي و مقايسه قرار گرفت. مقادير دماي متوسط روزانه ايستگاه
مورد بررسي از تاريخ 12 مارس 1961 ) 29 اسفند 1384 ( تا تاريخ 20 دسامبر 2005 ) 29 آذر 1384 ( انتخاب گرديد.
در تمامي روش هاي ذكر شده با استفاده از آزمون پيرسون از بين 26 پارامتر پيش بيني كننده ، 16 پارامتر كه همبستگي
بالايي با مقادير دماي متوسط روزانه داشته انتخاب گرديد. جهت بررسي مقادير خطاي ناشي از مدل سازي از سه معيار
ضريب تبيين، مجذور ميانگين مربعات خطا و معيار كارايي مدل استفاده شد. نتايج بررسي دقت و ميزان خطاي مدل ها
نشان داد كه در بين مدل هاي هوشمند GP، ANN، ANFIS و SVM ، مدل برنامه ريزي ژنتيك كمترين مقدار خطا را
داشته و در بين مدل هاي رگرسيوني (رگرسيون چندمتغيره و رگرسيون بردار پشتيبان) روش رگرسيون بردار پشتيبان،
كمترين ميزان خطا و بيشترين ميزان دقت را در شبيه سازي مقادير دماي روزانه ايستگاه همديدي اروميه داشته است.
به طور كلي نتايج شبيه سازي مقادير دما روزانه نشان دهنده دقيق تر بودن روش هاي رگرسيوني نسبت به روش هاي
هوشمند مي باشد. از آنجا كه اين مطالعه تنها با استفاده از داده هاي ايستگاه همديدي اروميه انجام گرفته است، لذا
نتايج حاصله تنها براي ايستگاه مذكور اعتبار داشته و با اطمينان نمي توان نتايج را براي تمامي ايستگاه ها تعميم داد
چكيده لاتين :
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
