تحلیل و پیش بینی روزهای خشک با استفاده از مدل شبکه عصبی مصنوعی (مطالعه موردی: ایستگاه تهران)
سال انتشار: 1396
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 190
فایل این مقاله در 17 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_GEOP-21-60_010
تاریخ نمایه سازی: 14 آبان 1400
چکیده مقاله:
شبکه های عصبی مصنوعی بهعنوان یکی از تکنیک های غیرخطی در مطالعات اقلیمی و هیدرولوژی اهمیت فراوانی بهخود اختصاص دادهاند. تغییراقلیم و بهدنبال آن گرمایش جهانی از پدیده های اقلیمی به شمار می رود. شمار روزهای خشک و تداوم آن خشکسالی را بهدنبال دارد. در این پژوهش از داده های بارش روزانه طی سال های (۱۹۷۶-۲۰۰۸) و شبکه عصبی مصنوعی در نرم افزار MATLAB بهمنظور پیش بینی شمار روزهای خشک ایستگاه تهران استفاده شده است. شبکه بهکار رفته از نوع Feed-forward با الگوریتم کاهش شیب و مارکوارت لونبرگ در مرحله آموزش و یادگیری می باشد. ساختارهای گوناگونی در لایه ورودی و پنهان در مرحله آموزش مورد آزمایش قرار گرفت. در نهایت شبکه با ۴ ورودی و ۵ نرون در لایه پنهان و ۱ نرون در لایه خروجی به مطلوب ترین ساختار (۱-۵-۴) جهت پیش بینی بهینه با بیش ترین همبستگی پاسخ داد. نتایج نشان داد که در ایستگاه مذکور، روزهای خشک پیش بینی شده توسط شبکه در مقایسه با طول دوره آماری مورد بررسی دارای روند افزایشی بوده است که با محاسبه احتمال وقوع روزهای خشک، طی سال های (۲۰۱۸-۲۰۰۹) با استفاده از زنجیره مارکوف، موارد فوق تایید گردیده است. ضریب همبستگی مقادیر پیش بینی روزهای خشک بدون ترکیب با الگوریتم ژنتیک ۸۶ درصد است. بعد از آموزش شبکه با ترکیب الگوریتم ژنتیک با لایه های مختلف این مقدار به ۸۸درصد رسید که می توان گفت در صورت ترکیب شبکه با الگوریتم مذکور نتایج قابل قبول ارائه میدهد.
کلیدواژه ها:
نویسندگان
حسین عساکره
گروه جغرافیای طبعی، دانشگاه زنجان
فریبا صیادی
کارشناسی ارشد اقلیم شناسی، دانشگاه زنجان.
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :