بررسي مدل يكي از كميت هاي اقليمي (بارش) با بهره گيري از سنجش از دور

پديده هاي اقليمي از جمله كميت بارش تحت تاثير عوامل و پارامترهاي محيطي زيادي هستند كه اين امر بحث مدلسازي و داده كاوي را در مورد اين پديده ها دشوار مي سازد. در اين راستا تصاوير ماهواره اي به دليل دارا بودن امتيازهاي قابل توجهي از جمله در دسترس بودن و تجزيه و تحليل آنها مي توانند نقش بي نظيري را در مدلسازي و داده كاوي پديده هاي اقليمي بازي كنند. از اين رو پرداختن به بهبود و گسترش روش هاي يادگيري ماشين و الگوريتم هاي مدلسازي با استفاده از داده هاي سنجش از دور اجتناب ناپذير است. در اين پژوهش قصد داريم به بررسي قابليت 11 مدل يادگيري ماشين در مدلسازي و داده كاوي پديده بارش با بهره گيري از تصاوير ماهواره اي بپردازيم. از دو روش براي آماده سازي پايگاه داده استفاده كرديم PCA و روش مقابل آن با استفاده از انحراف معيار و كروليشن. محاسبه ميانگين مربعات خطا نشان داد بطور كلي استفاده از روش PCA در آماده سازي و كاهش ابعاد پايگاه داده هاي بزرگ براي تمامي روش هاي يادگيري ماشين نتيجه بهتري به همراه دارد. مدل بردار پشتيبان(SVM) با كمترين خطا در روش PCA در رده اول قرار داشت و مدل شبكه عصبي مصنوعي در هر دو روش عملكرد خوبي از خود نشان داد و در مقابل مدل SEGPR در هر دو روش داراي بيشترين خطا بود. بنابراين مي توان گفت با تغيير متد هاي آماده سازي پايگاه داده بمنظور ورود به مدل ها نتايج مدلسازي مي تواند بطور تاثيرگذاري تغيير كند.