پيش پردازش پارامترهاي ورودي به شبكه ي عصبي مصنوعي و سيستم استنتاج تطبيقي عصبي- فازي با استفاده از رگرسيون گام به گام و گاماتست به منظور تخمين تبخير

Input Parameters Preprocessing in Artificial Neural Networks and Adaptive Neuro- Fuzzy Inference System Using Stepwise Regression and Gamma Test Techniques for Estimation of Daily Evaporation

فرايند تبخير به علت نياز به فاكتورهاي اقليمي مختلف و اثر متقابل اين فاكتورها بر يكديگر،يك پديده يغيرخطي و پيچيده است. يكي از مراحل پيچيده در مدل سازي غيرخطي، پيش پردازش پارامترهاي ورودي براي انتخاب تركيبي مناسب از آن ها است. پيش پردازش داده ها سبب كاهش مراحل سعي و خطا و شناخت مهم ترين پارامترهاي موثر بر پديده ي مورد نظر به-منظور مدل سازي با استفاده از روش هاي هوشمند مي شود. در اين پژوهش از دو روش رگرسيون گام به گام (FS) و گاماتست (GT) براي پيش پردازش پارامترهاي ورودي به شبكه ي عصبي پرسپترون چندلايه و سيستم استنتاج تطبيقي عصبي- فازي براي تخمين تبخير روزانه ي ايستگاه هواشناسي شهركرد استفاده شده است. براي ارزيابي تاثيرپيش پردازش پارامترهاي ورودي با استفاده از معيارهاي مختلف آماري سنجش خطا به مقايسه ي چهار مدل ANN-FS، ANN-GT، ANFIS-FS و ANFIS-GT (با پارامترهاي پيش پردازش شده) با يكديگر و هم چنين با مدل هاي ANN و ANFISكه هيچ گونه پيش-پردازشي روي پارامترهاي ورودي آن ها انجام نشده است، پرداخته شد. نتايج نشان داد كه هر شش مدل از دقت بالايي براي تخمين تبخير روزانه برخوردار هستند و از ميان شش مدل مزبور، مدل ANFIS-FS با مقدار ضريب تبيين (R2) 91/0 و جذر ميانگين مربعات خطاي (RMSE) 11/0 چه در مرحله ي آموزش و چه در مرحله ي آزمون، نسبت به مدل هاي ديگر از دقت بالاتري برخوردار است. اگرچه در اين پژوهش برتري مدل هاي پيش پردازش ناچيز است اما توانايي مشخص نمودن ترتيب اهميت پارامترهاي ورودي، تعيين تعداد تقريباً 3720 داده ي معني دار براي آموزش شبكه و يافتن بهترين تركيب، آزمون گاماتست را مي تواند به عنوان ابزاري مفيد براي پيش پردازش پارامترهاي ورودي براي مدل سازي سريع تر تبخير تبديل كند.

Being a function of different meteorological parameters and their interactions, evaporation is a complex, nonlinear phenomenon. Preprocessing of input parameters to select appropriate combinations is complex when modeling nonlinear systems. Data preprocessing reduces trial and error steps and recognizes most important parameters on noted phenomenon for modeling using intelligent methods. In this study, two methods of stepwise regression (FS) and gamma test (GT) were used for preprocessing input parameters in multi-layer perceptron neural network and adaptive neuro- fuzzy inference system to estimate daily evaporation (Ep) at Shahrekord meteorological station. To evaluate the effect of input parameters preprocessing in intelligent models using different statistical error criteria, ANN-FS, ANN-GT, ANFIS-FS and ANFIS-GT with preprocessed parameters were compared against each other and also with ANN and ANFIS models without preprocessed parameters. The results showed that all six models have a high degree of precision to estimate daily Ep. ANFIS-FS model represented a determination coefficient (R2) of0.91 and root mean square error (RMSE) of 0.11 both of training and test steps. Although the accuracy of models was slightly each other, but the ability of determination of important of input parameters, education and recognition of the best combination of input parameters with 3720 data in this study by gamma test, makes this model a useful tool for fast preprocessing input parameters to model evaporation.