A platform for research: civil engineering, architecture and urbanism
A platform for research: civil engineering, architecture and urbanism
ارزیابی راهبرد ترکیب مدل ها در افزایش دقت پیش بینی بارش پاییزه
پیش بینی بارش پاییزه در برنامه ریزی های کشاورزی به ویژه امکان سنجی کشت دیم از اهمیت ویژه ای برخوردار است. در مطالعه حاضر، برای افزایش دقت پیش بینی بارش پاییزه از تکنیک ترکیب مدل ها استفاده شده است. به این منظور، بر اساس دو شاخص اقلیمی SOI و NINO 3.4 به عنوان متغیرهای پیش بینی کننده، پنج مدل شبکه عصبی مصنوعی، شبکه عصبی رگرسیون تعمیم یافته، رگرسیون بردار پشتیبان، K نزدیک ترین همسایگی و رگرسیون خطی با ساختار بهینه به عنوان مدل های منفرد پیش بینی کننده بارش اجرا شده اند. برای ترکیب مدل های مذکور از راهبرد وزن دهی رتبه بندی شده به مدل ها (OWA) استفاده شده که در آن، برای تعیین وزن مدل ها، دو روش Orness و Orlike مورد استفاده و ارزیابی قرار گرفتند. نتایج پیش بینی بارش در زیرحوضه سیمره از حوضه کرخه نشان می دهد که بارش پیش بینی شده با استفاده از راهبرد ترکیب مدل ها از دقت بیش تری نسبت به مدل های منفرد برخوردار است و روش Orlike در مقایسه با روش Orness، دقت پیش بینی ها را بیشتر افزایش می دهد. همچنین، مقایسه نتایج روش های راهبرد OWA با دو راهبرد ترکیب مدل ها با شبکه عصبی مصنوعی و راهبرد انتخاب بهترین مدل منفرد نشان می دهد که قابلیت هر دو روش Orness و Orlike برای بهبود دقت پیش بینی بارش، بیش از راهبرد های شبکه عصبی و بهترین مدل منفرد است.
ارزیابی راهبرد ترکیب مدل ها در افزایش دقت پیش بینی بارش پاییزه
پیش بینی بارش پاییزه در برنامه ریزی های کشاورزی به ویژه امکان سنجی کشت دیم از اهمیت ویژه ای برخوردار است. در مطالعه حاضر، برای افزایش دقت پیش بینی بارش پاییزه از تکنیک ترکیب مدل ها استفاده شده است. به این منظور، بر اساس دو شاخص اقلیمی SOI و NINO 3.4 به عنوان متغیرهای پیش بینی کننده، پنج مدل شبکه عصبی مصنوعی، شبکه عصبی رگرسیون تعمیم یافته، رگرسیون بردار پشتیبان، K نزدیک ترین همسایگی و رگرسیون خطی با ساختار بهینه به عنوان مدل های منفرد پیش بینی کننده بارش اجرا شده اند. برای ترکیب مدل های مذکور از راهبرد وزن دهی رتبه بندی شده به مدل ها (OWA) استفاده شده که در آن، برای تعیین وزن مدل ها، دو روش Orness و Orlike مورد استفاده و ارزیابی قرار گرفتند. نتایج پیش بینی بارش در زیرحوضه سیمره از حوضه کرخه نشان می دهد که بارش پیش بینی شده با استفاده از راهبرد ترکیب مدل ها از دقت بیش تری نسبت به مدل های منفرد برخوردار است و روش Orlike در مقایسه با روش Orness، دقت پیش بینی ها را بیشتر افزایش می دهد. همچنین، مقایسه نتایج روش های راهبرد OWA با دو راهبرد ترکیب مدل ها با شبکه عصبی مصنوعی و راهبرد انتخاب بهترین مدل منفرد نشان می دهد که قابلیت هر دو روش Orness و Orlike برای بهبود دقت پیش بینی بارش، بیش از راهبرد های شبکه عصبی و بهترین مدل منفرد است.
ارزیابی راهبرد ترکیب مدل ها در افزایش دقت پیش بینی بارش پاییزه
2015
Article (Journal)
Electronic Resource
Unknown
ترکیب مدل ها , وزن دهی رتبه بندی شده , orness , orlike , soi , nino 3.4 , Agriculture , S , Agriculture (General) , S1-972 , Meteorology. Climatology , QC851-999
Metadata by DOAJ is licensed under CC BY-SA 1.0
تحلیل آماری- فضایی بارش پیش بینی شده ایران توسط مدل جفت شده گردش عمومی جو- اقیانوسی HADCM3
DOAJ | 2014
ارزیابی دقت مدل‌های NMME در پیش‌بینی بارش ماهانه (مطالعه موردی: حوضه سفیدرود)
| DOAJ | 2019
تحلیل و ارزیابی مولفه‌های راهبرد توسعه شهر در شهرهای کوچک؛ مورد مطالعه شهر گلوگاه، مازندران
| DOAJ | 2022
ارزیابی اجزای عملکرد، عملکرد دانه و روغن ژنوتیپ‌های گلرنگ پاییزه تحت تنش کمبود آب در دوره زایشی
| DOAJ | 2019