fa استفاده از آزمون گاما در پیش‌پردازش داده‌ها جهت مدل‌سازی سری‌های زمانی بارش تخصصي Special پژوهشي Research <p dir="RTL" style="margin-bottom:0cm;margin-bottom:.0001pt;text-align:justify;text-indent:14.15pt;line-height:normal;direction:rtl;unicode-bidi:embed;"><span style="font-family:b nazanin;"><span style="font-size:12.0pt;">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 تاخیر&shy;های بارش، در مدل‌سازی سری زمانی </span></span><span style="font-family:b nazanin;"><span style="font-size:12.0pt;">بارش</span></span><span style="font-family:b nazanin;"><span style="font-size:12.0pt;"> 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 (</span></span><span dir="LTR"><span style="font-family:times new roman,serif;"><span style="font-size:10.0pt;">R²</span></span></span><span style="font-family:b nazanin;"><span style="font-size:12.0pt;">)، ریشه جذر میانگین خطا (</span></span><span dir="LTR"><span style="font-family:times new roman,serif;"><span style="font-size:10.0pt;">RMSE</span></span></span><span style="font-family:b nazanin;"><span style="font-size:12.0pt;">) و شاخص پراکندگی (</span></span><span dir="LTR"><span style="font-family:times new roman,serif;"><span style="font-size:10.0pt;">SI</span></span></span><span style="font-family:b nazanin;"><span style="font-size:12.0pt;">) محاسبه گردید.</span></span><span style="font-family:b nazanin;"><span style="font-size:12.0pt;"> 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 مدل&shy;سازی کند.</span></span><span style="font-family:b nazanin;"><span style="font-size:12.0pt;"> 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 می&shy;تواند کارایی بهتری داشته باشد.</span></span></p> <p dir="RTL" style="margin-bottom:0cm;margin-bottom:.0001pt;text-align:right;line-height:normal;direction:rtl;unicode-bidi:embed;"></p> <p dir="RTL" style="margin-bottom:0cm;margin-bottom:.0001pt;text-align:right;line-height:normal;direction:rtl;unicode-bidi:embed;"></p> <p style="text-align: justify;">Choosing the appropriate inputs for intelligent models is important. Because it can reduce costs and save time and increase accuracy and efficiency of the models. This work aims at&nbsp; the use of gamma test to select the optimum combination of input variables including delayed records of in time series modeling precipitation. Monthly time series of rainfall for the period 1383 to 1393 was used for Rasht station Rainfall data as with different lags were employed as input to gamma test. Results showed that time series with three delays (lags), provides better results. The simulation was performed using Bayesian network and multivariate linear regression. The performance of models was assessed using three criteria, i.e. coefficient of determination (R²), root mean square error (RMSE), and dispersion index (SI). Bayesian neural network using a three-month delay the coefficient of determination of 0.82, root mean square error of 17.84 and a diffusion index of 0.17 showed better performance as compared with multivariate regression. The results established the significant role of the gamma test integrated with intelligent models in the appropriate selection of input variables..</p> <p></p> <p></p> آزمون گاما, رگرسیون خطی چند متغیره, سری زمانی, شبکه بیزین, مدل‌سازی بارش Bayesian network, Gamma test, Precipitation modeling, Multivariate linear regression, Time series 61 72 http://jircsa.ir/browse.php?a_code=A-10-413-1&slc_lang=fa&sid=1 Babak Mohammadi بابک محمدی babakmsh@yahoo.com 10031947532846001851 10031947532846001851 Yes University of Tabriz دانشگاه تبریز Mohammad ali Ghorbani محمدعلی قربانی b.mohammadi71@gmail.com 10031947532846001852 10031947532846001852 No University of Tabriz دانشگاه تبریز