پیش بینی دمای بیشینه با استفاده از روش رگرسیون بردار پشتیبان آنلاین (مطالعه موردی: شهرکرد)

سال انتشار: 1393
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 483

فایل این مقاله در 9 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

HBHEAITH01_201

تاریخ نمایه سازی: 7 بهمن 1393

چکیده مقاله:

با توجه به اهمیتی که پیش بینی وضعیت دما در زندگی و فعالیت های بشری دارد، امروزه به امری ضروری و لازمه زندگی بشری مبدل شده است که به کمک آن می توان هزینه های تولید را کاهش و میزان بهره وری را افزایش د هیم. روند افزایش دمایی کره زمین به علت اثرات مخربی که دارد، همواره توجه بسیاری از دانشمندان را به خود جلب نموده است و در نتیجه روش های متنوعی برای پیش بینی وضعیت دمایی توسعه یافته است. در این مقاله از روش رگرسیون بردار پشتیبان آنلاین برای پیش بینی دمای بیشینه شهرکرد استفاده شده است. در این تحقیق با استفاده از متغیرهای میانگین رطوبت نسبی، میانگین سرعت باد، میانگین حداقل دما و میانگین حداکثر دمای ماهان به عنوان ورودی مدل، میانگین حداکثر دمای ماهانه ایستگاه سینوپتیک شهرکرد پیش بینی گردید. برای ا ندازه گیری کارآیی مدل از مقادیر مجذور میانگین مربعات خطا، میانگین خطای مطلق، میانگین مربعات خطا و ضریب تبیین استفاده شد که به ترتیب برابر 0.4719، 0.596، 0.054 و 0.9913 بدست آمد و نتایج، مطلوبیت این روش را در امر پی بینی دمای بیشینه نشان می دهد.

کلیدواژه ها:

پیش بینی ، دمای بیشینه ، رگرسیون بردار پشتیبان آنلاین

نویسندگان

مریم رضائی

دانش آموخته کارشناسی ارشد، گروه مرتع و آبخیزداری دانشگاه زابل

علیرضا مقدم نیا

دانشیار گروه احیای مناطق خشک و کوهستانی، پردیس کشاورزی و منابع طبیعی دانشگاه تهران

معصومه رضائی

مربی دانشکده مهندسی برق و کامپیوتر، دانشگاه سیستان و بلوچستان

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • آرخی ص و م. ادیب نژاد. 1390. ارزیابی کارائی الگوریتم‌های ...
  • اسفندیاری درآباد، ف، س. حسینی، م. آزادی مبارکی و ز. ...
  • سعادتمند طزرجان م و م. سعادتمند طزرجان. 1388. یک روش ...
  • علیجانی ب و ی. قوی‌دل رحیمی. 1384. مقایسه و پیش‌بینی ...
  • کارآمز، م.، ف. رمضانی، ح. و س. رضوی. 1385. پیش‌بینی ...
  • کرم، ا، ش. ح. حجه فروش‌نیا و ح.ر. حکیمی. 1389. ...
  • کشاورز ا و ح. قاسمیان یزدی. 1384. یک الگوریتم سریع ...
  • نوری را، ا. خاکپور، م. دهقانی و م. و ا. ...
  • Abdel-Aal ..E 200)4. Hourly temperature forecasting using abductive networks. Engineering ...
  • Aizerman, _ A.. E. M. Braverman and L.I. Rozonoer. 1964. ...
  • I1. Asefa, T., _ Kemblowski, M. McKee and A Khalil. ...
  • Camia, A., G. Bovio, I. Aguando and N. Stach. 1999. ...
  • Chen, L., H.B. Liu, W. Wu and D. T. Xie. ...
  • Corchado, E., A. Abraham and W. Pedrycz. 2008. Lecture Notes ...
  • Cortes, C., A. Lerner and V 1995. Support-Vector Networks. Machine ...
  • Dombayc O.A. and M. Golcii 2009. Daily means ambient temperature ...
  • Drucker, H., J.C. Burges, L. Kaufman, A.J. Smola and V ...
  • Mohandes M.A., T.O. Halawani, S. Rehman and A.A. Hussain. 2004. ...
  • Montana, G. and F, Parrella. 2008. Learning to trade with ...
  • Kisi, O. and M, Cimen. 2012. Precipitation forecasting by using ...
  • Pani agua-Tineo, A. , S. Salcedo-Sanz, C. C as anova-Mateo, ...
  • Parrella, F and G. Montana. 2008. A note on incrementl ...
  • Parishwad, G.V., R.K. Bhardwaj and V. K. Nema. 1998. Prediction ...
  • Smola, J., N. Murata, F.B. Scholkop and K. Muller. 1998. ...
  • Yu, X and S.Y. Liong. 2006. Forecasting of hydrologic time ...
  • Vapnik, V and A. Lerner. 1963. Pattern recognition using generalized ...
  • نمایش کامل مراجع