تعداد نشریات | 44 |
تعداد شمارهها | 1,303 |
تعداد مقالات | 16,047 |
تعداد مشاهده مقاله | 52,589,427 |
تعداد دریافت فایل اصل مقاله | 15,268,406 |
برآورد بارش به کمک شبکه عصبی مصنوعی با داده¬های هواشناسی غیربارشی در سه منطقه شیراز، مشهد و کرمان | ||
جغرافیا و برنامهریزی | ||
مقاله 2، دوره 17، شماره 43، خرداد 1392، صفحه 21-40 اصل مقاله (331.16 K) | ||
نوع مقاله: مقاله علمی پژوهشی | ||
نویسندگان | ||
علیرضا ایلدرمی1؛ حمید زارع ابیانه* 2؛ مریم بیات ورکشی3 | ||
1استادیار گروه مهندسی آبخیزداری دانشکده محیط زیست و منابع طبیعی دانشگاه ملایر | ||
2گروه مهندسی آبیاری دانشکده کشاورزی دانشگاه بوعلی سینا | ||
3گروه مهندسی آبیاری دانشگاه بوعلی سینا | ||
چکیده | ||
عنصر بارش ماهیت آشوبناکی و تصادفی داشته و از این نظر دارای تغییرات ساختاری در زمانهای مختلف است. در این راستا بهدلیل عدم قطعیتهایی که وجود دارد، نوسانهای زیادی در مقدار بارش ایجاد میشود که پیشبینی این کمیت مهم را با مشکل مواجه نموده است. در این مقاله با تکنیک مقیاسبندی مجدد (R/S) و محاسبه نمای هرست (H) پیشبینیپذیری بارش در سه منطقه شیراز، کرمان و مشهد انجام شد. نمای هرست نشان داد که پارامتر بارش قابلیت پیشبینیپذیری را دارد، زیرا H از 5/0 بزرگتر بوده و بمراتب بهمقدار 1 نزدیکتر است. بهطوریکه نمای هرست از حداقل 8/0 در ایستگاه مشهد تا حداکثر 92/0 در ایستگاه شیراز در نوسان بود. به منظور پیشبینی بارش از شبکههای عصبی مصنوعی استفاده شد. نوع پارامترهای ورودی براساس آزمون همبستگی پیرسون از بین دادههای غیربارشی، ترکیبی از دادههای دمایی و رطوبتی بودند. تعداد پارامترهای ورودی، تعداد لایههای میانی و سایر اطلاعات مربوط به شبکه عصبی مصنوعی به صورت تصادفی انتخاب و پیشنهاد شدند. در مجموع از شبکههای عصبی پرسپترون چند لایه برای برآورد بارش استفاده شد. مقایسه عملکرد شبکههای عصبی، نشان داد که استفاده از 3 و 4 پارامتر هواشناسی، بهترین رتبه برآوردگری را داشتهاند. آرایشهای پیشنهادی برای ایستگاه شیراز، 1-21-21-3، کرمان 1-25-25-3 و مشهد 1-19-19-4 دارای ضریب همبستگی بیش از 91 درصد شد. اعتبارسـنجی مدلهای بارش نشان داد که شـبکههای طراحی شـده برای پارامتر بارش در ایستگاههای مشهد، شیراز و کرمان به ترتیب با خطای 4، 11 و 14 درصد، دارای بهترین عملکرد بودهاند. در مجموع نتایج نشان میدهند که استفاده از روش شبکه عصبی با درنظر گرفتن اطلاعات دمایی و رطوبتی، نتایج مناسبی برای توصیف فرآیند و ترکیب آنها در پیشبینی، بهدست میدهند. | ||
کلیدواژهها | ||
بارش سالانه؛ پیرسون؛ شبکه عصبی مصنوعی؛ دمای هوا؛ رطوبت نسبی؛ نمای هرست | ||
مراجع | ||
1ـ احمرینژاد، ا.؛ رجبی مشهدی، ح. و ساده، ج. (1384). «بررسی اهمیت پیشبینی میزان تقاضا در پیشبینی قیمت برق با تفکیک قیمت برق به مولفههای مختلف در فضای رقابتی انرژی الکتریکی»، بیستمین کنفرانس بینالمللی برق، تهران. ص. 1-10. 2ـ البرزی، م. (1383). «آشنایی با شبکههای عصبی»، تهران: موسسة انتشارات علمی دانشگاه صنعتی شریف، چاپ دوم. 3ـ جـهانگیر، ع.ر.؛ رائینی، م. و ضیا احـمدی، م.خ. (1387). «شبیهسازی فرآیـند بارش-رواناب با شبکه عصبی مصنوعی (ANN) با مدل HEC-HMS در حوضه معرف کارده»، مجله علمی پژوهشی آب و خاک (علوم و صنایع کشاورزی). جلد 22، شماره 2: 84-72. 4ـ خالوزاده، ح. وخاکی صدیق، ع. (1377). «ارزیابی روشهای پیشبینیپذیری قیمت سهام و تعیین میزان قابلیت پیشبینی در بازار بورس تهران». 5ـ خالوزاده، ح.؛ خاکی صدیق، ع. و لوکس، ک. (1377). «پیشبینی قیمت سهام در بازار بورس تهران با استفاده از مدلهای خطی و غیر خطی»، مجله علمی-پژوهش مدرّس، دانشگاه تربیت مدرّس. (54):87-102. 6ـ خلیلی ن.؛ خداشناس س.ر.؛ داوری ک. و موسوی بایگی م. (1387)، «پیشبینی بارش ماهانه با استفاده از شبکههای عصبی مصنوعی»، مطالعه موردی: ایستگاه سینوپتیک مشهد، مجله علوم و صنایع کشاورزی (ویژه آب و خاک)، 22 (1): 89-99. 7ـ زارع ابیانه، ح. و بیات ورکشی، م. (1390)، «ارزیابیمدلهایهوشمندعصبیوتجربیدرتخمینروانابسالانه»، نشریهآبوخاک (علوموصنایعکشاورزی)، 25 (2): 365-379. 8ـ زارع ابیانه، ح.؛ قاسمی، ع.؛ بیات ورکشی، م. و معروفی، ص. (1388)، «ارزیابی دقت شبکه عصبی مصنوعی (ANN) در پیشبینی تبخیر-تعرق گیاه سیر (ETc) در مقایسه با نتایج لایسیمتری در منطقه همدان»، آب و خاک (علوم و صنایع کشاورزی)، 23 (3): 176-185. 9ـ زارع ابیانه، ح.؛ قاسمی، ع.؛ بیات ورکشی، م.؛ سبزیپرور، ع.ا. و محمدی، ک. (1389)، «ارزیابی کارایی دو نرمافزار شبکه عصبی مصنوعی در پیشبینی تبخیر- تعرق گیاه مرجع»، دانش آب و خاک، جلد 1/19 شماره 2: 11-163. 10ـ صوفیوند، ف.؛ فاتحی، ع.ر. و رمانیان، م. (1384)، «پیشبینی دادههای هواشناسی به روش مدلسازی چندگانه»، مجموعه مقالات سیزدهمین کنفرانس برق ایران، جلد سوم، دانشگاه زنجان. 6-1. 11ـ قاسمی، م.م. و سپاسخواه، ع.ر. (1383)، «پیشبینی بارندگی سالانه استان خوزستان از روی زمان وقوع رگبارهای پائیزه، علوم و فنون کشاورزی و منابع طبیعی»، سال هشتم، شماره اول: 9-1. 12ـ قربانی دشتکی، ش.؛ همایی، م. و مهدیان، م.ح. (1388)، «برآورد پارامترهای نفوذ آب به خاک با استفاده از شبکههای عصبی مصنوعی»، مجله آب و خاک (علوم و صنایع کشاورزی)، جلد 23، شماره 1، ص. 198-185. 13ـ فلاح قالهری، غ.ح.؛ موسوی بایگی، م. و حبیبی نوخندان، م. (1387)، «پیشبینی بارشفصلیبراساسالگوهایسینوپتیکی بااستفادهازسیستماستنباطفازیعصبیتطبیق (ANFIS)»، پژوهشهایجغرافیایطبیعی،شماره 66: 121-139. 14ـ فاتحیمرج، ا. و مهدیان، م.ح. (1388)، «پیشبینیبارشپاییزهبااستفادهاز شاخصهایانسوبه روششبکهعصبیدرحوضهدریاچهارومیه»، پژوهشهای آبخیزداری (پژوهشوسازندگی)، 84: 42-52. 15ـ فولادمند، ح.ر. (1385)، «پیشبینیبارندگیروزانهوسالانهوتعدادروزهایبارانیدر سالبااستفادهاززنجیرهمارکوفدریکمنطقهنیمهخشک»، سال دوازدهم شماره 1: 113-123. 16ـ کریمی گوغری ش. و اسلامی ا. (1387)، «پیشبینی بارندگی سالانه در استان کرمان با استفاده از شبکههای عصبی مصنوعی»، مجله آبیاری و زهکشی ایران، 2 (2): 123-132. 17ـ محمدیان روشن، ی.؛ رئوف شیبانی، ه. و کریمپور، ع. (1387)، «طراحی الگوریتم کاربردی پیشبینی بار به کمک شبکههای عصبی با هدف کاهش جریمه پرداختی خریداران بازار برق با استفاده از الگوریتم ژنتیک»، بیست و سومین کنفرانس بینالمللی برق، صص. 1-6. 18- ASCE, (2000), "Task Committee on Plication of Artificial Neural Networks in Hydrology", Artifical Neural Network in Hydrology, Part I and II, J hydraulic Eng. 5(2): 115-137. 19- Cavazos, T. (2000). "Using Self-organizing Xaps to Investigate Extreme Climate Event: an Application to Wintertime Precipitation in the Balkans", Journal of Climate, 13: 1718-1732 20- Ferreira, N.J., Velho, H.F. and Ramizer, M.C.V. (2005), "Artificial Neural Network Technique for Rainfall Forecasting Applied to the Sao Paulo Region", J. Hydrology, 301: 146-162. 21- Hall, T., Brooks, H.E. and Doswell, C.A. (1999) "Precipitation Forecasting Use a Neural Network", Weather and Forecasting Journal, 14: 338-345. 22- Kanounikov, I.E., Antonova, E.V., Kiselev, B.V. and Belov, D.R. (1999), "Dependence of one of the Fractal Characteristics (Hurs exponent) of the Human Electroencephalogram on the cortical Area and Type of Activity", International Joint Conference on Neural Networks, Vol. 1. 243 - 246. 23- Leeph, T. (1995) "Analysis of Predictability of Topix Returns Using Neural Networks", Neural Networks World, 4: 485-501. 24- Maria, C. Haroldo, F and Ferreira, N., (2005), "Artificial Neural Network Technique for Rainfall Forecasting Applied to the S.o Paulo Tegion", Journal of Hydrology, Volume 301, Issues 1-4, PP.146-162. | ||
آمار تعداد مشاهده مقاله: 7,683 تعداد دریافت فایل اصل مقاله: 2,299 |