ارزيابي تاثير روش هاي پيش پردازش كننده در عملكرد تكنيك هاي محاسبات نرم در تخمين دماي نقطه شبنم

Evaluating the effect of data preprocessing methods on the performance of soft computing methods in estimation of dew point temperature

دمايي كه در آن مقدار فشار بخار اشباع با فشار واقعي برابر است و رطوبت موجود در هوا بر اثر كاهش دما تبديل به مايع مي‌شود و بروي اجسام تشكيل مي‌شود را دماي نقطه شبنم مي‌گويند. همچنين، با توجه به معظل كم آبي در دنيا، تامين آب جهت رفع نياز هاي اوليه بشر تبديل به يك چالش جهاني شده است. از طرفي، با توجه به تعداد محدود ايستگاه‌ هاي اندازه‌گيري نقطه شبنم، استفاده از روش‌هاي مختلف با دقت قابل قبول مورد نياز است. امروزه بكارگيري روش هاي هوشمند با توجه به توانايي آن‌ها در برقراري ارتباط بين ورودي‌ و خروجي‌ها، مورد توجه بسياري از محققين قرار گرفته اند. در اين تحقيق، عملكرد دو روش ماشين بردار پشتيبان (SVM) و برنامه ريزي بيان ژن (GEP) براي پيش بيني دماي نقطه شبنم بررسي شد. همچنين از تبديل موجك (WT) به عنوان يك روش پيش پردازش كننده داده ها به منظور بهبود نتايج استفاده شد. ارزيابي عملكرد مدل‌ها با شاخص هاي آماري خطا نشان داد كه مدل‌هاي تركيبي عملكرد بهتري نسبت به مدل‌هاي منفرد داشتند. همچنين، مدل تركيبي حاصل از موجك با روش برنامه نويسي بيان ژن (GEPW) در مقايسه با ماشين بردار پشتيبان (SVMW) از دقت كمتري برخوردار بود و در نهايت در ميان مدل‌هاي در نظر گرفته شده، مدل SVM_RBF^(W-Haar) با بالاترين دقت (0/98=NSE و 0/85=RMSE) توانست مقادير دماي نقطه شبنم را تخمين بزند و به عنوان مدل برتر انتخاب گرديد.

The temperature which the amount of saturated vapor pressure is equal to the actual pressure and due to decreasing it, the existence moisture of air also turns into a liquid is called dew point temperature. Additionally, owing to the shortage of water in whole world, water supplying to solve the initial requirements of human has become a global challenge. Due to the limited number of dew point measuring stations, employing the various approaches with acceptable accuracy is required. Recently, due to the significant ability of different soft computing (SC) methods in communizing between inputs and outputs, they have been considered by researchers to solve a wide range of problems. Therefore, in the present research, the performance of two SC methods namely support vector machine (SVM) and gene expression programming (GEP) for prediction of dew point temperature was investigated. Additionally, wavelet transform (WT) as a data preprocessing method was employed to improve the accuracy of models. Evaluation of models performance based on the statistical error benchmarks indicated that hybrid models outperformed the standalone SVM and GEP approaches. Moreover, the results illustrated that the accuracy of the hybrid model obtained by integration of WT and GEP (GEPW) was less than its integration with support vector machine (SVMW). Finally, among the proposed methods, model was able to estimate the dew point temperature values with the highest accuracy with respect to NSE (0.98) and RMSE (0.85) and determined as the best model so as to estimate the dew point temperature.