TY - JOUR ID - 134694 TI - ارزیابی تاثیر روش های پیش پردازش کننده در عملکرد تکنیک های محاسبات نرم در تخمین دمای نقطه شبنم JO - نشریه هواشناسی و علوم جوّ JA - JMAS LA - fa SN - 2645-7261 AU - تیموری, محمد AU - قائمی, علیرضا AU - عزیزیان, غلامرضا AU - هاشمی منفرد, سید آرمان AD - دانشگاه سیستان و بلوچستان Y1 - 2020 PY - 2020 VL - 3 IS - 2 SP - 175 EP - 187 KW - دمای نقطه شبنم KW - ماشین بردار پشتیبان KW - برنامه نویسی بیان ژن KW - تبدیل موجک DO - 10.22034/jmas.2021.279201.1130 N2 - دمایی که در آن مقدار فشار بخار اشباع با فشار واقعی برابر است و رطوبت موجود در هوا بر اثر کاهش دما تبدیل به مایع می‌شود و بروی اجسام تشکیل می‌شود را دمای نقطه شبنم می‌گویند. همچنین، با توجه به معظل کم آبی در دنیا، تامین آب جهت رفع نیاز های اولیه بشر تبدیل به یک چالش جهانی شده است. از طرفی، با توجه به تعداد محدود ایستگاه‌ های اندازه‌گیری نقطه شبنم، استفاده از روش‌های مختلف با دقت قابل قبول مورد نیاز است. امروزه بکارگیری روش های هوشمند با توجه به توانایی آن‌ها در برقراری ارتباط بین ورودی‌ و خروجی‌ها، مورد توجه بسیاری از محققین قرار گرفته اند. در این تحقیق، عملکرد دو روش ماشین بردار پشتیبان (SVM) و برنامه ریزی بیان ژن (GEP) برای پیش بینی دمای نقطه شبنم بررسی شد. همچنین از تبدیل موجک (WT) به عنوان یک روش پیش پردازش کننده داده ها به منظور بهبود نتایج استفاده شد. ارزیابی عملکرد مدل‌ها با شاخص های آماری خطا نشان داد که مدل‌های ترکیبی عملکرد بهتری نسبت به مدل‌های منفرد داشتند. همچنین، مدل ترکیبی حاصل از موجک با روش برنامه نویسی بیان ژن (GEPW) در مقایسه با ماشین بردار پشتیبان (SVMW) از دقت کمتری برخوردار بود و در نهایت در میان مدل‌های در نظر گرفته شده، مدل SVM_RBF^(W-Haar) با بالاترین دقت (98/0NSE= و 85/0RMSE=) توانست مقادیر دمای نقطه شبنم را تخمین بزند و به عنوان مدل برتر انتخاب گردید. UR - https://www.ims-jmas.net/article_134694.html L1 - https://www.ims-jmas.net/article_134694_dc247ad159d87ce5733659914db14101.pdf ER -