ارزیابی و پیش بینی خشکسالی های غرب و شمال غرب ایران با استفاده از شبکه عصبی مصنوعی

سال انتشار: 1401
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 107

فایل این مقاله در 22 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_GSMA-3-2_002

تاریخ نمایه سازی: 6 خرداد 1402

چکیده مقاله:

خشکسالی به عنوان مخاطره­ای اقلیمی، تاثیر بسزایی بر محیط زیست و به تبع آن انسان و سایر موجودات زنده دارد. ازاین رو پایش و پیش­بینی این پدیده امری لازم و ضروری می باشد. در این پژوهش با هدف بررسی و ارزیابی پیش­بینی خشکسالی در نیمه غربی کشور از شاخص خشکسالی استاندارد شده چند متغیره (MSDI) و روش­های مبتنی بر هوش مصنوعی استفاده شده است. جهت پیش بینی مقادیر این شاخص در محدوده مطالعاتی، از داده­های ماهانه بارش و رطوبت خاک پایگاه داده  MERRA طی دوره ۳۶ ساله (۱۹۸۰-۲۰۱۶) به عنوان ورودی و مقادیر محاسبه شده MSDI بعنوان خروجی  بهره برده شد.  نتایج تحلیل خشکسالی ماهانه براساس این داده­ها نشان داد که شدیدترین خشکسالی در منطقه مورد مطالعه حد فاصل ماه­های مارس تا اکتبر به وقوع پیوسته و کانون اصلی وقوع این پدیده، استان­های لرستان و خصوصا ایلام و کرمانشاه می­باشند. این نتایج با بررسی نقشه­های فصلی و سالانه نیز مطابقت دارد. طبق طبقه­بندی شاخص MSDI، خشکسالی شدید در منطقه مورد مطالعه ثبت نشده است و خشکسالی­ها در طبقه متوسط قرار داشتند. نتایج حاصل از مدل سازی شبکه­های عصبی مصنوعی نیز نشان داد که استفاده از شبکه­های عصبی مصنوعی به طور کلی از توانایی شبیه­سازی مناسبی برخوردار می­باشند. از بین الگوریتم­های استفاده شده جهت بهینه­سازی شبکه عصبی مصنوعی، الگوریتم ژنتیک، بهترین عملکرد را نسبت به سایر روش ها در پیش­بینی خشکسالی ها دارا می­باشد.

کلیدواژه ها:

بارش ، رطوبت خاک ، شاخص خشکسالی چند متغیره ، شدت خشکسالی ، الگوریتم ژنتیک.

نویسندگان

جعفر معصوم پور سماکوش

دانشیار آب و هواشناسی گروه جغرافیا، دانشکده ادبیات و علوم انسانی، دانشگاه رازی، کرمانشاه، ایران

وحید سهرابی

کارشناس ارشد آب و هواشناسی گروه جغرافیا، دانشکده ادبیات و علوم انسانی، دانشگاه رازی، کرمانشاه، ایران

مرتضی میری

استادیار گروه خشکسالی و تغییر اقلیم، پژوهشکده حفاظت خاک و آبخیزداری، سازمان تحقیقات، آموزش و ترویج کشاورزی، تهران، ایران

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 :
  • Abbasian, M.S., Abrishamchi, A., (۲۰۱۳). Comparison of multivariate analysis with ...
  • Aghakouchak, A., (۲۰۱۵). Amultivariate approach for persistence-based drought prediction: Application ...
  • Arshad, S., Morid, S., Mobasheri, M. R., Alikhani, M. A., ...
  • Bazrafshan, O., Salajegheh, A., Mahdavi, M., Bazrafshan, J., (۲۰۱۵). A ...
  • Farahmand, A., Aghakouchak, A., (۲۰۱۴). AGeneralized Framework for Deriving Nonparametric ...
  • Farahmand, A., Aghakouchak, A., Teixeira, J., (۲۰۱۵). Avantage from space ...
  • Ghamghami, M., Bazrafshan, J., (۲۰۱۲). Prediction of meteorological drought conditions ...
  • Hao, Z., AghaKouchak, A., (۲۰۱۳), Multivariate Standardized Drought Index: A ...
  • Hao, Z., AghaKouchak, A., (۲۰۱۴). A Nonparametric Multivariate Multi-Index Drought ...
  • Hao, Z., Aghakouchak, A., Nakhjiri, N., Farahmand, A., (۲۰۱۵). Global ...
  • Hao, Z., Singh, V.P., (۲۰۱۵). Drought characterization from a multivariate ...
  • Hassanvand, M., Salimi, A., MasoompourSamakoosh, J., (۲۰۱۸). Drought prediction using ...
  • Janga Reddy, M., Singh, V, P., (۲۰۱۳). Multivariate modeling of ...
  • Kang, H., Sridhar, V., (۲۰۱۷). Combined statistical and spatially distributed ...
  • Kao, SH., Govindaraju, S., (۲۰۱۰). Acopula-based deficit index for droughts, ...
  • Kennedy, J.; Eberhart, R., (۱۹۹۵), Particle swarm optimization. In Proceedings ...
  • Kogan, F.N., (۱۹۹۷). Global Drought Watch from Space. Bulletin of ...
  • Loukas, A., Vasiliades, L., and Tzabiras, J (۲۰۰۷). “Evaluation of ...
  • Mishra, A.K., Singh, V.P., (۲۰۱۰). Areview of drought concepts, Journal ...
  • Mishra, A.K., Singh, V.P., (۲۰۱۱). Drought modeling-Areview, Journal of Hydrology, ...
  • Moeeni, H., Bonakdari, H., Fatemi, S. E., & Zaji, A. ...
  • Moriasi, DN., Arnold JG., Van Liew, M. W., Bingner, R. ...
  • Price, D., McKenney, D. W., Nalder, I. A., Hutchinson, M. ...
  • Sadeghian, M., Karami, H., Mousavi, S.F., (۲۰۱۸). Selection of a ...
  • Wilhite, D.A., (۱۹۹۵). Developing a precipitation-based index to assess climatic ...
  • نمایش کامل مراجع