پیش بینی فصلی خشکسالی هواشناسی با استفاده از ماشین های بردار پشتیبان
Authors
abstract
در تحقیقات مختلف، پارامترهای هواشناسی متفاوتی در پیش بینی دوره های کم بارش مورد توجه قرار گرفته اند. در این تحقیق نمایه بارش استاندارد شده (spi) برای 6 سناریوی فصل (پاییز، زمستان، بهار، پاییز+ زمستان، زمستان+ بهار و پاییز تا بهار) محاسبه شده و متغیرهای هواشناسی پیش بینی کننده دمای هوا (در سطح 300، 500، 700 و 850 میلی بار) و ارتفاع ژئوپتانسیل (در سطح 300، 500، 700 و 850 میلی بار) در محدوده طول و عرض جغرافیایی 0 تا 60 درجه شمالی و 0 تا 90 درجه شرقی، در سالهای (1354-1386) برای پیش بینی پدیده خشکسالی هواشناسی مورد استفاده قرار گرفت. در این مدل پیش بینی، بازه زمانی پیش بینی کننده بین ماههای اکتبر تا آوریل برای spi پیش بینی شده در همان بازه زمانی قرار دارد. نمایه بارش استاندارد شده در حوضه های مورد مطالعه (حوضه سدهای طالقان و ماملو) بر اساس بارش متوسط حوضه ها که به روش میانگین معکوس فاصله وزندار محاسبه شده، تخمین زده شده است. یکی از روشهای یادگیری آماری با استفاده از ناظر به نام ماشین بردار پشتیبان (svm) برای تدوین مدل پیش بینی spi استفاده شد. با استفاده از تکنیک آماری مبتنی بر آنتروپی مشترک اطلاعات، نقاط مؤثر بر بارش حوضه سدهای تهران در فصل بهار بیشتر در جنوب، جنوب غربی و شمال غربی کشور و در فصل پائیز، شمال، شمال غربی و جنوب و در زمستان در شمال غربی و غرب کشور تشخیص داده شدند. نتایج مدل svm در اکثر موارد پیش بینی، دقت مناسب داشت. این روش می تواند در پیش بینی رفتارهای غیرخطی داده های هواشناسی با طول دوره آماری کوتاه مورد استفاده قرار گیرد. این دقت برای دسته بندی spi فصلهای پاییز و بهار بیشتر از سایر سناریوها است.
similar resources
پیشبینی فصلی خشکسالی هواشناسی با استفاده از ماشینهای بردار پشتیبان
در تحقیقات مختلف، پارامترهای هواشناسی متفاوتی در پیشبینی دورههای کم بارش مورد توجه قرار گرفتهاند. در این تحقیق نمایه بارش استاندارد شده (SPI) برای 6 سناریوی فصل (پاییز، زمستان، بهار، پاییز+ زمستان، زمستان+ بهار و پاییز تا بهار) محاسبه شده و متغیرهای هواشناسی پیشبینی کننده دمای هوا (در سطح 300، 500، 700 و 850 میلی بار) و ارتفاع ژئوپتانسیل (در سطح 300، 500، 700 و 850 میلی بار) در محدوده طول و...
full textپیش بینی ژن های بیماری با استفاده از دسته بند تککلاسی ماشین بردار پشتیبان
Abstract: In disease gene identification and classification, users are only interested in classifying one specific class, disease genes, without considering other classes (non-disease genes). This situation is referred to as one-class classification. Existing machine learning-based methods typically use known disease gene as positive training set and unknown genes as negative training set to bu...
full textتوانایی ماشین بردار پشتیبان در پیش بینی درماندگی مالی
درماندگی مالی پیش از ورشکستگی مالی رخ میدهد و پیش بینی موثر آن یک مسئلهی مهم و چالش برانگیز برای شرکتها میباشد. تحقیق حاضر به پیش بینی درماندگی مالی در قالب مدل ماشین بردار پشتیبان و با استفاده از ترکیبات جریان نقد میپردازد. اهمیت ابزارهای داده کاوی، و توانایی این ابزارها در پیش بینی و طبقه بندی متغیرها، استفاده از آنها را در مباحث مختلف مالی از جمله پیش بینی ورشکستگی، پیش بینی درماندگی م...
full textپیش بینی تغییرات فصلی نرخ ارز با استفاده از روش درخت تصمیم و ماشین بردار پشتیبان
هدف این مطالعه بررسی قدرت پیش بینی از طریق مدلهای یادگیری ماشین ،ماشین بردار پشتیبان svm و درخت تصمیم chaid در بازار ارز غیر رسمی دلار- ریال ایران می باشد .در این راستا پس از مطالعه ادبیات موضوع به انجام آزمون های ریشه واحد و همچنین ضریب همبستگی پیرسون مبادرت گردید .با استفاده از ضریب همبستگی پیرسون صحت گزینش متغیرهای ورودی مشخص گردید .در گام بعدی با ورود متغیرهای تأثیر گذار به مدل به ساخت مدل ...
15 صفحه اولپیش بینی عمق آب شستگی اطراف پایه پل با استفاده از ماشین های بردار پشتیبان
چکیده- آب شستگی یکی از مهم ترین عوامل خرابی پل ها است. بنابر این، تخمین عمق آب شستگی پای پل ها اهمیت زیادی برخوردار دارد. تاکنون فرمول ها و روابط تجربی زیادی برای تخمین عمق چاله آب شستگی ارائه شده است؛ اما این روابط از دقت مناسبی برخوردار نیستند. علاوه بر این، پیچیدگی مدل سازی فرایند آب شستگی سبب شده است تا از روش های جایگزین روابط تجربی، مانند روش های داده کاوی برای تخمین عمق آبشستگی پای پل ها...
full textپیش بینی ژن های بیماری با استفاده از دسته بند تک کلاسی ماشین بردار پشتیبان
چکیده: در بحث شناسایی و دستهبندی ژنهای بیماری، متخصصان تنها به دستهبندی یک کلاس خاص، یعنی ژنهای بیماری علاقمند هستند و توجهی به کلاسهای دیگر، یعنی ژنهای غیربیماری ندارند. در مباحث یادگیری ماشین، این کاربرد تحت عنوان دستهبندی تک کلاسی مطرح می شود. روشهای موجود مبتنی بر یادگیری معمولا ژنهای شناخته شده بیماری را به عنوان مجموعه آموزشی مثبت، و ژنهای ناشناخته را به عنوان مجموعه آموزشی منفی...
full textMy Resources
Save resource for easier access later
Journal title:
فصلنامه علمی- پژوهشی آب و فاضلابPublisher: مهندسین مشاور طرح و تحقیقات آب و فاضلاب
ISSN 1024-5936
volume 23
issue 2 2012
Hosted on Doprax cloud platform doprax.com
copyright © 2015-2023