استفاده از آزمون گاما در پيش‌پردازش داده‌ها جهت مدل‌سازي سري‌هاي زماني بارش

انتخاب ورودي هاي مناسب براي مدل هاي هوشمند از اهميت به سزايي برخوردار است. زيرا باعث كاهش هزينه و صرفه جويي در وقت و افزايش دقت و كارايي مدل ها مي شود. هدف از اين مطالعه، كاربرد آزمون گاما براي انتخاب تركيب بهينه متغيرهاي ورودي كه شامل تاخير هاي بارش، در مدل سازي سري زماني بارش مي باشد. سري زماني ماهانه بارش در دوره زماني 1383تا 1393 براي ايستگاه سينوپتيك رشت مورد استفاده قرار گرفت. پارامتر بارش با تأخيرهاي مختلف به عنوان ورودي به آزمون گاما در نظر گرفته شد. نتايج اين آزمون نشان داد كه سري زماني با سه تأخير، نتايج بهتري را براي مدل سازي ارائه مي دهد. شبيه سازي با استفاده از دو مدل شبكه بيزين و رگرسيون خطي چند متغيره انجام گرفت. كارايي مدل ها با استفاده از سه معيار: ضريب تبيين (R2)، ريشه جذر ميانگين خطا (RMSE) و شاخص پراكندگي (SI) محاسبه گرديد. شبكه عصبي بيزين توانست بارش با سه ماه تاخير را با مقدار ضريب تبيين 82/0 و ريشه جذر ميانگين مربعات خطاي 84/17 و شاخص پراكندگي 17/0 مدل سازي كند. از ميان اين دو مدل با ساختار ورودي هاي يكسان، مدل شبكه عصبي بيزين عملكرد بهتري براي شبيه سازي سري زماني بارش در مقايسه با رگرسيون چند متغيره داشته است. نتايج تحقيق نشان داد كه آزمون گاما در انتخاب تركيب ورودي مناسب در مدل هاي هوشمند مي تواند كارايي بهتري داشته باشد.