استفاده از تحليل مولفه اصلي براي تعيين ورودي‌هاي موثر بر تخمين بارش به كمك شبكه عصبي مصنوعي و ماشين‌ بردار پشتيبان

مديريت نزولات جوي و استفاده بهينه از اين منابع كمك شاياني به مديريت منابع آب مي كند و همچنين در مديريت منابع آب تخمين پارامتر هيدرولوژيكي نقش اساسي دارند. در اين تحقيق تخمين بارش سه ايستگاه سينوپتيك آستارا، لاهيجان و جيرنده واقع در استان گيلان با استفاده از شبكه عصبي مصنوعي (ANN) و ماشين بردار پشتيان (SVM) انجام گرفته است. از روش تحليل مؤلفه اصلي (PCA) براي پيش پردازش داده ها و تعيين داده هاي ورودي استفاده گرديد. با توجه به نتايج، در روش تحليل مؤلفه هاي اصلي نيز براي ايستگاه سينوپتيك آستارا و جيرنده، پنج مؤلفه اصلي و براي ايستگاه لاهيجان چهار مؤلفه اصلي انتخاب شده است. نتايج مدل سازي حاكي از اين است كه، مدل شبكه عصبي مصنوعي مبتني بر تحليل مؤلفه اصلي (PCA-ANN) در ايستگاه هاي آستارا و جيرنده به ترتيب با مجذور ميانگين مربعات خطاي 74/2 و 62/2 ميلي متر و مدل ماشين بردار پشتيبان مبتني بر تحليل مؤلفه اصلي (PCA-SVM) در ايستگاه لاهيجان با مجذور ميانگين مربعات خطاي 53/2 ميلي متر را مي توان به عنوان مدل هاي منتخب براي ايستگاه هاي مذكور انتخاب كرد. در نهايت با توجه به نتايج مي توان چنين نتيجه گرفت كه روش هاي استفاده شده پيش پردازش داده ها در اين تحقيق براي پيش بيني بارش همچنين مدل SVMدر ايستگاه لاهيجان و مدل ANN در ايستگاه هاي آستارا و جيرنده عملكرد قابل قبولي داشته است.