TY - JOUR JF - jircsa JO - VL - 4 IS - 3 PY - 2016 Y1 - 2016/12/01 TI - Gamma test application in input preprocessing for time series modeling of rainfall TT - استفاده از آزمون گاما در پیش‌پردازش داده‌ها جهت مدل‌سازی سری‌های زمانی بارش N2 - انتخاب ورودی‌های مناسب برای مدل‌های هوشمند از اهمیت به سزایی برخوردار است. زیرا باعث کاهش هزینه و صرفه‌جویی در وقت و افزایش دقت و کارایی مدل‌ها می‌شود. هدف از این مطالعه، کاربرد آزمون گاما برای انتخاب ترکیب بهینه متغیرهای ورودی که شامل تاخیر­های بارش، در مدل‌سازی سری زمانی بارش می‌باشد. سری زمانی ماهانه بارش در دوره زمانی 1383تا 1393 برای ایستگاه سینوپتیک رشت مورد استفاده قرار گرفت. پارامتر بارش با تأخیرهای مختلف به‌ عنوان ورودی به آزمون گاما در نظر گرفته شد. نتایج این آزمون نشان داد که سری زمانی با سه تأخیر، نتایج بهتری را برای مدل‌سازی ارائه می‌دهد. شبیه‌سازی با استفاده از دو مدل شبکه بیزین و رگرسیون خطی چند متغیره انجام گرفت. کارایی مدل‌ها با استفاده از سه معیار: ضریب تبیین (R2)، ریشه جذر میانگین خطا (RMSE) و شاخص پراکندگی (SI) محاسبه گردید. شبکه عصبی بیزین توانست بارش با سه ماه تاخیر را با مقدار ضریب تبیین 82/0 و ریشه جذر میانگین مربعات خطای 84/17 و شاخص پراکندگی 17/0 مدل­سازی کند. از میان این دو مدل با ساختار ورودی‌های یکسان، مدل شبکه عصبی بیزین عملکرد بهتری برای شبیه‌سازی سری زمانی بارش در مقایسه با رگرسیون چند متغیره داشته است. نتایج تحقیق نشان داد که آزمون گاما در انتخاب ترکیب ورودی مناسب در مدل‌های هوشمند می­تواند کارایی بهتری داشته باشد. SP - 61 EP - 72 AU - Mohammadi, Babak AU - Ghorbani, Mohammad ali AD - University of Tabriz KW - Bayesian network KW - Gamma test KW - Precipitation modeling KW - Multivariate linear regression KW - Time series UR - http://jircsa.ir/article-1-210-fa.html ER -