آمار

تعداد نشریات21
تعداد شماره‌ها346
تعداد مقالات3,642
تعداد مشاهده مقاله4,721,127
تعداد دریافت فایل اصل مقاله3,154,956
یحیی زاده, مهرناز, بذرافشان, ام البنین, مرادی, نوازاله, زمانی, حسین, بی نیاز, مهدی. (1404). Assessing GPR and SVM Performance with Uncertainty Analysis for Drought Prediction in Iran's Diverse Climate Regions. , (), -. doi: 10.22077/jdcr.2025.9952.1164
مهرناز یحیی زاده; ام البنین بذرافشان; نوازاله مرادی; حسین زمانی; مهدی بی نیاز. "Assessing GPR and SVM Performance with Uncertainty Analysis for Drought Prediction in Iran's Diverse Climate Regions". , , , 1404, -. doi: 10.22077/jdcr.2025.9952.1164
یحیی زاده, مهرناز, بذرافشان, ام البنین, مرادی, نوازاله, زمانی, حسین, بی نیاز, مهدی. (1404). 'Assessing GPR and SVM Performance with Uncertainty Analysis for Drought Prediction in Iran's Diverse Climate Regions', , (), pp. -. doi: 10.22077/jdcr.2025.9952.1164
یحیی زاده, مهرناز, بذرافشان, ام البنین, مرادی, نوازاله, زمانی, حسین, بی نیاز, مهدی. Assessing GPR and SVM Performance with Uncertainty Analysis for Drought Prediction in Iran's Diverse Climate Regions. , 1404; (): -. doi: 10.22077/jdcr.2025.9952.1164

Assessing GPR and SVM Performance with Uncertainty Analysis for Drought Prediction in Iran's Diverse Climate Regions

مجله پژوهش های خشکسالی و تغییراقلیم
مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 19 مهر 1404
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22077/jdcr.2025.9952.1164
نویسندگان
مهرناز یحیی زاده1؛ ام البنین بذرافشان* 2؛ نوازاله مرادی3؛ حسین زمانی4؛ مهدی بی نیاز4
1دانشگاه هرمزگان-بندرعباس
2دانشیار علوم و مهندسی آبخیزداری گروه مهندسی منابع طبیعی، دانشکده کشاورزی و منابع طبیعی دانشگاه هرمزگان
3استادیار، گروه مهندسی منابع طبیعی، دانشکدة کشاورزی منابع طبیعی، دانشگاه هرمزگان، بندرعباس، ایران.
4دانشگاه هرمزگان
چکیده
This study evaluates Support Vector Machine (SVM) and Gaussian Process Regression (GPR) models for predicting drought in Iran using the Standardized Precipitation-Evapotranspiration Index (SPEI). Results demonstrate the superior performance of the GPR model with a Laplace kernel, which achieved higher predictive accuracy (R²: 0.85-0.37 in testing) and superior uncertainty quantification (PICP: 1.0) compared to the SVM-RBF model. GPR's flexibility in modeling abrupt climatic shifts and its probabilistic framework provide more reliable drought forecasts, especially in extreme climates. Random Forest analysis revealed key climatic drivers, with temperature and evapotranspiration dominating in arid regions, while oceanic oscillations (ENSO, WHWP) were more influential in humid zones. Although SVM remained competitive in moderate climates, GPR is recommended as the superior choice for operational early warning systems, enabling optimized water resource management and agricultural advisories through its reliable probabilistic forecasts. This research establishes a framework for integrating model accuracy and uncertainty assessment in drought prediction.
کلیدواژه‌ها
Drought Prediction؛ Machine Learning؛ Uncertainty Quantification؛ Teleconnection Patterns؛ UNEEC Method
آمار
تعداد مشاهده مقاله: 87


نماد الکترونیک 

 

سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب