تركيب مدل محاسبات نرم مبتني بر الگوريتم يادگيري ماشين و تحليل مولفه هاي اصلي جهت پيش بيني بارندگي

تاثير تغييرات بارندگي بر منابع آب، توليدات كشاورزي نياز به روش كارآمدي جهت پيش بيني بارندگي را آشكار مي سازد. در اين تحقيق يكي از روش هاي محاسبات نرم در راستاي پيش بيني بارندگي با رويكرد كاهش داده توسعه داده شد. داده هاي ورودي مدل متوسط دماي هوا، دماي نقطه شبنم، متوسط فشار سطح دريا، متوسط فشار ايستگاه، ميانگين رطوبت نسبي و ميانگين سرعت باد در ايستگاه هاي تبريز، اهر و جلفا بودند. روش مورد استفاده در اين تحقيق شامل رگرسيون بردار پشتيبان، Epsilon و Nu ،مي باشد. در تمام ايستگاه هاي مورد مطالعه استفاده از رگرسيون بردار پشتيبان Nu نسبت به Epsilon منجر به كاهش خطا شد به طوري كه مقادير UII با رگرسيون بردار پشتيبان Nu در ايستگاه هاي تبريز، اهر و جلفا به ترتيب 19.19، 5.88 و15.78 درصد كاهش داشت. نتايج بيانگر محدويت استفاده از رويكرد كاهش داده براي داده هايي با فاكتور KMO پايين تر از 0.5 است كه شامل ايستگاه هاي تبريز و اهر بودند. تحليل مولفه هاي اصلي در هر دو نوع رگرسيون بردار پشتيبان عملكرد مدل را افزايش داد به طوري كه در ايستگاه جلفا با بكارگيري تحليل مولفه هاي اصلي مقادير dدر رگرسيون بردار پشتيبان Epsilon و Nu 16.6 و 17.5 درصد افزايش يافت. اجراي چرخش وريماكس در پيش پردازش داده هاي ورودي به رگرسيون نسبت به تحليل مولفه هاي اصلي قوي تر عمل كرد. در اين راستا مقاديرRRMSE وRMSE در ايستگاه جلفا با استفاده از رگرسيون بردار پشتيبان Epsilon و با اجراي چرخش به ترتيب 6.66 و 6.45 درصد كاهش داشت. بنابراين تحليل مولفه هاي اصلي ابزار مناسبي جهت ارتقاء عملكرد روش هاي محاسبات نرم با رعايت قيود مي باشد.