TY - JOUR T1 - Using new methods of effective inputs determination for pan evaporation estimation Introduction TT - استفاده از روش‌های نوین برای تعیین ورودی‌های موثر در تخمین تبخیر از تشت JF - geospace JO - geospace VL - 18 IS - 63 UR - http://geographical-space.iau-ahar.ac.ir/article-1-2696-fa.html Y1 - 2018 SP - 107 EP - 124 KW - rtificial Neural Network KW - Pan Evaporation KW - Guilan Province KW - Gamma Test KW - Principal Component Analysis KW - Support Vector Machine. N2 - در این تحقیق تخمین تبخیر از تشت سه ایستگاه سینوپتیک آستارا، کیاشهر و تالش واقع در استان گیلان با استفاده از شبکه عصبی مصنوعی (ANN) و ماشین بردار پشتیان (SVM) انجام گرفته است. از دو روش تحلیل مؤلفه اصلی (PCA) و آزمون گاما (GT) برای پیش­پردازش داده­ها و تعیین ورودی مدل­ها استفاده گردید. با توجه به نتایج، برای ایستگاه تالش 6 متغیر ورودی و برای ایستگاه کیاشهر و آستارا 5 متغیر ورودی توسط آزمون گاما انتخاب شد. در روش تحلیل مؤلفه­های اصلی نیز برای ایستگاه سینوپتیک آستارا و کیاشهر، پنج مؤلفه اصلی و برای ایستگاه تالش چهار مؤلفه اصلی انتخاب شده است. نتایج مدل­سازی حاکی از این است که، مدل شبکه عصبی مصنوعی مبتنی بر تحلیل مؤلفه اصلی (PCA-ANN) در ایستگاه­های آستارا و تالش به­ترتیب با مجذور میانگین مربعات خطای 957/0 و 004/1 ، ضریب نش- ساتکلیف 815/0 و 756/0 و ضریب همبستگی 903/0 و 870/0 و مدل ماشین بردار پشتیان مبتنی بر آزمون گاما (GT-SVM) در ایستگاه کیاشهر با مجذور میانگین مربعات خطای 295/1، ضریب نش ساتکلیف 683/0 و ضریب همبستگی 825/0 را می­توان به­عنوان مدل­های منتخب برای ایستگاه­های مذکور انتخاب کرد. در نهایت با توجه به نتایج می­توان چنین نتیجه گرفت که روش­های استفاده شده پیش­پردازش داده­ها در این تحقیق برای پیش­بینی تبخیر از تشت با یکدیگر اختلاف چندانی ندارند و هر دو روش به­خوبی عمل کرده­اند. همچنین مدل SVM در تمام تخمین­ها نسبت به مدل ANN عملکرد قابل قبول­تری داشته است M3 ER -