کاربرد الگوهای شبکه عصبی مصنوعی در شبیه سازی شدت خشکسالی (مطالعه موردی: ایستگاه ترشکلی استان گلستان)

سال انتشار: 1391
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 831

فایل این مقاله در 10 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:

NCUIMWR03_164

تاریخ نمایه سازی: 15 اسفند 1393

چکیده مقاله:

پیش بینی خشکسالی ابزار مناسبی برای مدیران و سیاست گذاران حوزه های مختلف است تا با در نظر گرفتن این پیش بینی سیاست های آینده را در جهت بهینه نمودن هزینه ها طرح ریزی نموده و با اتخاذ راهکارهای پیشگیرانه خسارات ناشی از خشکسالی های آتی بر بخش های آسیب پذیر جامعه را به حداقل ممکن برسانند. در این مطالعه، از شاخص استانداردشده بارش (SPI) و روش شبکه عصبی مصنوعی برای شبیه سازی خشکسالی ها بهره پرفته شد . همچنین از آمار بارندگی ایستگاه تبخیر سنجی ترشکلی واقع در شهرستان گنبد کاووس استان گلستان طی سال های 87-1354 استفاده گردید. بر اساس معیارهای ضریب همبستگی (r)، کمترین میانگین مربعات خطا (MSE) و میانگین خطای مطلق (MAE) مشخص گردید، شبکه عصبی با 7 نرون در لایه ورودی، 28 نرون با تابع فعالیت تانژانت هایپربولیک در لایه پنهان، یک نرون در لایه خروجی با تابع فعالیت خطی و همچنین، قانون یادگیری مومنتم در مقایسه با سایر شبکه های عصبی اجراشده، ارتباط با اطلاعات ورودی و خروجی را با دقت بالایی شبیه سازی نموده و از عملکرد بهتری در توصیف رفتار تصادفی پدیده خشکسالی ایستگاه ترشکلی برخوردار است. شبکه منتخب برای پیش بینی خشکسالی در دوره 93-1388 مورد استفاده قرار گرفت؛ به گونه ای که مقادیر پیش بینی شده، وقوع خشکسالی های ملایم در این دوره را نشان دادند در مجموع نتایج شبیه سازی الگوهای شبکه عصبی مصنوعی نشان می دهند، این رو از دقت بالایی در دوره های اولیه پیش بینی برخورداراست.

نویسندگان

سمانه شاه حسین دستجردی

کارشناس ارشد گروه اقتصادکشاورزی دانشگاه فردوسی مشهد

ناصر شاهنوشی

دانشیار گروه اقتصادکشاورزی دانشگاه فردوسی مشهد

علی دریجانی

استادیار گروه اقتصادکشاورزی دانشگاه علوم کشاورزی و منابع طبیعی گرگان

کامران داوری

دانشیار گروه مهندسی آب دانشگاه فردوسی مشهد

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 :
  • بداق‌جمالی، ج.، آسیایی، _ صمدی نقاب، س.، جوانمرد، س. و ...
  • علیزاده، ا. 1381. آیا می‌توان خشکسالی را پیش‌بینی و یا ...
  • ASCE Task Committee On Application of Artificial Neural Networks in ...
  • Cybenko, G. 1989. Approximation by Superpositions of a Sigmoidal Function. ...
  • Hayati, M., and Mohebi, Z. 2007. Application of Artificial Neural ...
  • Hornik, K., Stinchcombe, M. and White, H. 1989. Multilayer feedforward ...
  • Jorabchi, A., Zhang, H., and Blumenstein, M. 2XO7. Application of ...
  • Kamruzzaman, J., Begg, R., and Sarker, R. 2006. Artificial Neural ...
  • Keyantash, J., and Dracup, J.A. 202. The quantification of drought: ...
  • Kim, H.K. 2008. Multi-Scale Nonlinear Constitutive Models using Artificial Neural ...
  • Kim, T.W., and Valdes, J.B. _ A nonlinear Model for ...
  • Liu, X., Ren, L., Yuan, F., and Yang, B. _ ...
  • Mishra, A.K and Desai, v.R. 200)6. Drought Forecasting using feed-forward ...
  • Morid, S., Smakhtin, V., and Bagherzadeh, K. 207. Drought Forecasting ...
  • Muhammad, F., and Nabi, G. 1991. A Markov Chain Model ...
  • Ramirez, M.C.V., Velho, H.F., and Ferreira, N.J. 205. Artificial neural ...
  • Sobri, H., Nor Irwan, A.N., and Amir Hashim, M.K. 2002. ...
  • Srikalra, N., and Tanprasert, C. _ Rainfall Prediction for Chao ...
  • Wilhite, D.A. 2003. Moving toward risk management: The need for ...
  • Zijian, Z. _ Researches On Function-Link Artificial Neural Network based ...
  • نمایش کامل مراجع