پیش‌پردازش پارامترهای ورودی به شبکه‌ی عصبی مصنوعی و سیستم استنتاج تطبیقی عصبی- فازی با استفاده از رگرسیون گام به گام و گاماتست به‌منظور تخمین تبخیر

فرایند تبخیر به­علت نیاز به فاکتورهای اقلیمی مختلف و اثر متقابل این فاکتورها بر یکدیگر،یک پدیده­یغیرخطی و پیچیده است. یکی از مراحل پیچیده در مدل­سازی غیرخطی، پیش­پردازش پارامترهای ورودی برای انتخاب ترکیبی مناسب از آن­ها است. پیش­پردازش داده­ها سبب کاهش مراحل سعی و خطا و شناخت مهم­ترین پارامترهای مؤثر بر پدیده­ی مورد نظر به­منظور مدل­سازی با استفاده از روش­های هوشمند می­شود. در این پژوهش از دو روش رگرسیون گام به گام (FS) و گاماتست (GT) برای پیش­پردازش پارامترهای ورودی به شبکه­ی عصبی پرسپترون چندلایه و سیستم استنتاج تطبیقی عصبی- فازی برای تخمین تبخیر روزانه­ی ایستگاه هواشناسی شهرکرد استفاده شده است. برای ارزیابی تأثیرپیش­پردازش پارامترهای ورودی با استفاده از معیارهای مختلف آماری سنجش خطا به مقایسه­ی چهار مدل ANN-FS، ANN-GT، ANFIS-FS و ANFIS-GT (با پارامترهای پیش­پردازش شده) با یکدیگر و هم­چنین با مدل­های ANN و ANFISکه هیچ­گونه پیش­پردازشی روی پارامترهای ورودی آن­ها انجام نشده است، پرداخته شد. نتایج نشان داد که هر شش مدل از دقت بالایی برای تخمین تبخیر روزانه برخوردار هستند و از میان شش مدل مزبور، مدل ANFIS-FS با مقدار ضریب تبیین (R2) 91/0 و جذر میانگین مربعات خطای (RMSE) 11/0 چه در مرحله­ی آموزش و چه در مرحله­ی آزمون، نسبت به مدل­های دیگر از دقت بالاتری برخوردار است. اگرچه در این پژوهش برتری مدل­های پیش­پردازش ناچیز است اما توانایی مشخص نمودن ترتیب اهمیت پارامترهای ورودی، تعیین تعداد تقریباً 3720 داده­ی معنی­دار برای آموزش شبکه و یافتن بهترین ترکیب، آزمون گاماتست را می­تواند به­عنوان ابزاری مفید برای پیش­پردازش پارامترهای ورودی برای مدل­سازی سریع­تر تبخیر تبدیل کند.