| تعداد نشریات | 286 |
| تعداد نشریات سازمان | 84 |
| تعداد شماره‌ها | 2,909 |
| تعداد مقالات | 32,812 |
| تعداد مشاهده مقاله | 43,090,239 |
| تعداد دریافت فایل اصل مقاله | 19,685,195 |
کاربرد روش ماشین‌های بردار پشتیبان در طبقه بندی داده های اقلیمی | ||
| علوم و فناوری اطلاعات کشاورزی | ||
| دوره 7، شماره 1 - شماره پیاپی 13، فروردین 1403، صفحه 1-11 اصل مقاله (595.53 K) | ||
| نوع مقاله: مقاله ترویجی | ||
| شناسه دیجیتال (DOI): 10.22092/jaist.2023.363907.1103 | ||
| نویسندگان | ||
| سید مسعود سلیمان پور* 1؛ پارسا حقیقی2 | ||
| 1دانشیار بخش تحقیقات حفاظت خاک و آبخیزداری، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان فارس، سازمان تحقیقات، آموزش و ترویج | ||
| 2کارشناس بخش تحقیقات حفاظت خاک و آبخیزداری، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان فارس، سازمان تحقیقات، آموزش و ترویج | ||
| چکیده | ||
| شناسایی، پیش‌بینی و مدیریت بحران در یک ساختار اقلیمی از اهمیت بالایی برخوردار است. مدل‌ها به‌عنوان ابزارهایی کاربردی برای درک سیستم‌های پیچیده و شبیه‌سازی و پیش‌بینی رفتارشان استفاده می‌شوند. ماشین‌های بردار پشتیبان یکی از روش‌های یادگیری نظارت‌شده است که از آن برای طبقه‌بندی و رگرسیون استفاده می‌شود. ماشین‌های بردار پشتیبان قادر به تشخیص الگوهای پنهان و پاسخ به تغییرات پیچیده در داده‌های اقلیمی هستند. در این مقاله ساختار روش ماشین‌های بردار پشتیبان و کاربرد آن در طبقه‌بندی داده‌های اقلیمی ارائه شده است. ویژگی‌های ساختار ماشین‌های بردار پشتیبان به انتخاب نوع تابع هسته مربوط است بنابراین در انتخاب نوع تابع هسته دقت کافی باید صورت گیرد و از طرفی تعیین مؤلفه اصلی در پیش‌بینی اقلیمی یک مرحله مهم در پیش‌بینی اقلیمی است تا با تعداد پارامترهای بهینه بهترین برازش بین داده‌های پیش‌بینی کننده و پیش‌بینی شونده صورت گیرد. | ||
| کلیدواژه‌ها | ||
| ماشین‌های بردار پشتیبان؛ پیش‌بینی اقلیمی؛ توابع هسته؛ تعیین مؤلفه اصلی | ||
| عنوان مقاله [English] | ||
| The use of support vector machines in classification of climatic data | ||
| نویسندگان [English] | ||
| Seyed Masoud Soleimanpour1؛ Parsa Haghighi2 | ||
| 1Associate Professor, Soil Conservation and Watershed Management Research Department, Fars Agricultural and Natural Resources Research and Education Center, Agricultural Research, Education and Extension Organization (AREEO), Shiraz, Iran | ||
| 2Masters, Soil Conservation and Watershed Management Research Department, Fars Agricultural and Natural Resources Research and Education Center, Agricultural Research, Education and Extension Organization (AREEO), Shiraz, Iran | ||
| چکیده [English] | ||
| Identifying, predicting and managing crisis in a climate structure is of great importance. Models are used as practical tools for understanding complex systems and simulating and predicting their behavior. Support vector machines are one of the supervised learning methods used for classification and regression. Support vector machines are able to detect hidden patterns and respond to complex changes in climate data. In this article, the structure of the support vector machine method and its application in climate data classification are presented. The characteristics of the structure of support vector machines are related to the selection of the kernel function type, so sufficient care must be taken in the selection of the kernel function type And on the other hand, PCI in climate forecasting is an important step in climate forecasting in order to make the best fit between forecasting and predicted data with the optimal number of parameters. | ||
| کلیدواژه‌ها [English] | ||
| Support vector machines, climate forecasting, kernel functions, PCI | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 234 تعداد دریافت فایل اصل مقاله: 175 |
||