استفاده از تحلیل مولفه اصلی برای تعیین ورودی‌های موثر بر تخمین بارش به کمک شبکه عصبی مصنوعی و ماشین‌ بردار پشتیبان

مدیریت نزولات جوی و استفاده بهینه از این منابع کمک شایانی به مدیریت منابع آب می­کند و همچنین در مدیریت منابع آب تخمین پارامتر هیدرولوژیکی نقش اساسی دارند. در این تحقیق تخمین بارش سه ایستگاه سینوپتیک آستارا، لاهیجان و جیرنده واقع در استان گیلان با استفاده از شبکه عصبی مصنوعی (ANN) و ماشین بردار پشتیان (SVM) انجام گرفته است. از روش تحلیل مؤلفه اصلی (PCA) برای پیش­ پردازش داده ­ها و تعیین داده­ های ورودی استفاده گردید. با توجه به نتایج، در روش تحلیل مؤلفه ­های اصلی نیز برای ایستگاه سینوپتیک آستارا و جیرنده، پنج مؤلفه اصلی و برای ایستگاه لاهیجان چهار مؤلفه اصلی انتخاب شده است. نتایج مدل­سازی حاکی از این است که، مدل شبکه عصبی مصنوعی مبتنی بر تحلیل مؤلفه اصلی (PCA-ANN) در ایستگاه ­های آستارا و جیرنده به ترتیب با مجذور میانگین مربعات خطای 74/2 و 62/2 میلی­متر و مدل ماشین بردار پشتیبان مبتنی بر تحلیل مؤلفه اصلی (PCA-SVM) در ایستگاه لاهیجان با مجذور میانگین مربعات خطای 53/2 میلی­متر را می­توان به عنوان مدل­های منتخب برای ایستگاه­ های مذکور انتخاب کرد. در نهایت با توجه به نتایج می­توان چنین نتیجه گرفت که روش ­های استفاده شده پیش­پردازش داده­ها در این تحقیق برای پیش ­بینی بارش همچنین مدل  SVMدر ایستگاه لاهیجان و مدل  ANN در ایستگاه‌های آستارا و جیرنده عملکرد قابل قبولی داشته است.