تعداد نشریات | 44 |
تعداد شمارهها | 1,298 |
تعداد مقالات | 15,883 |
تعداد مشاهده مقاله | 52,116,573 |
تعداد دریافت فایل اصل مقاله | 14,887,923 |
تحلیل و پیشبینی روزهای خشک با استفاده از مدل شبکه عصبی مصنوعی (مطالعه موردی: ایستگاه تهران) | ||
جغرافیا و برنامهریزی | ||
مقاله 10، دوره 21، شماره 60، شهریور 1396، صفحه 161-167 اصل مقاله (290.03 K) | ||
نوع مقاله: مقاله علمی پژوهشی | ||
شناسه دیجیتال (DOI): 06 | ||
نویسندگان | ||
حسین عساکره1؛ فریبا صیادی* 2 | ||
1گروه جغرافیای طبعی، دانشگاه زنجان | ||
2کارشناسی ارشد اقلیمشناسی، دانشگاه زنجان. | ||
چکیده | ||
شبکههای عصبی مصنوعی بهعنوان یکی از تکنیکهای غیرخطی در مطالعات اقلیمی و هیدرولوژی اهمیت فراوانی بهخود اختصاص دادهاند. تغییراقلیم و بهدنبال آن گرمایش جهانی از پدیدههای اقلیمی به شمار میرود. شمار روزهای خشک و تداوم آن خشکسالی را بهدنبال دارد. در این پژوهش از دادههای بارش روزانه طی سالهای (1976-2008) و شبکه عصبی مصنوعی در نرمافزار MATLAB بهمنظور پیشبینی 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 میباشد. ساختارهای گوناگونی در لایه ورودی و پنهان در مرحله آموزش مورد آزمایش قرار گرفت. در نهایت شبکه با 4 ورودی و 5 نرون در لایه پنهان و 1 نرون در لایه خروجی به مطلوبترین ساختار (1-5-4) جهت پیشبینی بهینه با بیشترین همبستگی پاسخ داد. نتایج نشان داد که در ایستگاه مذکور، روزهای خشک پیشبینی شده توسط شبکه در مقایسه با طول دوره آماری مورد بررسی دارای روند افزایشی بوده است که با محاسبه احتمال وقوع روزهای خشک، طی سالهای (2018-2009) با استفاده از زنجیره مارکوف، موارد فوق تأیید گردیده است. ضریب همبستگی مقادیر پیشبینی روزهای خشک بدون ترکیب با الگوریتم ژنتیک 86 درصد است. بعد از آموزش شبکه با ترکیب الگوریتم ژنتیک با لایههای مختلف این مقدار به 88درصد رسید که میتوان گفت در صورت ترکیب شبکه با الگوریتم مذکور نتایج قابل قبول ارائه میدهد. | ||
کلیدواژهها | ||
شبکه عصبی مصنوعی؛ شبکه پیشخور؛ الگوریتم ژنتیک؛ پیشبینی روزهای خشک؛ تهران | ||
مراجع | ||
ـ پیره، علیرضا و احمد فاتحی مرج (1390)، «بررسی میزان توان تأثیرگذاری سیگنالهای بزرگ مقیاس اقلیمی بر بارش نواحی مختلف ایران با استفاده از شبکه عصبی مصنوعی»، کنفرانس ملی خشکسالی و تغییر اقلیم، مرکز تحقیقات کمآبی و خشکسالی در کشاورزی و منابع طبیعی. ـ خورشیددوست، علیمحمد؛ نساجی زواره، مجتبی و باقر قرمزچشمه (1391)، «بازسازی سریهای زمانی دمای حداکثر و حداقل روزانه بااستفاده از روش نزدیکترین همسایه و شبکه عصبی مصنوعی (مطالعه موردی غرب استان تهران)، فضای جغرافیایی، شماره 38، صص 214-197. ـ خوشحال دستجردی، جواد و یوسف قویدل رحیمی (1386) «بررسی رابطه تغییرات بارش سالیانه تبریز با ناهنجاریهای دمایی کره زمین و شبیهسازی عددی آن با استفاده از شبکه عصبی مصنوعی، فصلنامه مدرس علوم انسانی، شماره 2،صص 15-1. ـ صدرموسوی، میرستار (رحیمی)، اکبر، «مقایسه نتایج شبکههای عصبی پرسپترون چندلایه با رگرسیون چندگانه در پیشبینی غلظت ازون در شهر تبریز، پژوهشهای جغرافیای طبیعی، شماره 71، (1388)، صص 72-65. ـ فلاح قالهری، غلامعباس؛ موسویبایگی، محمد و مجید حبیبی نوخندان (1387)، «پیشبینی بارش فصلی بر اساس الگوهای سینوپتیکی با استفاده از سیستم فازی-عصبی تطبیقی (ANFIS)، پژوهشهای جغرافیای طبیعی، شماره 66 ، صص 139-121. ـ قلیزاده، محمدحسین و محمد دارند (1388)، «پیشبینی بارش ماهانه با استفاده از شبکههای عصبی مصنوعی (مورد: تهران)، پژوهشهای جغرافیای طبیعی، شماره 71، صص63-51. ـ کیا، مصطفی (1387)، «شبکههای عصبی در MATLAB»، تهران، انتشارات کیان رایانه. - منهاج، محمدباقر (1386)، «مبانی شبکههای عصبی»، چاپ چهارم، انتشارات دانشگاه صنعتی امیرکبیر. ـ نگارش، حسین؛ اژدری مقدم، مهدی و محسن آرامش (1392)، «کاربردشبکه عصبی مصنوعی در شبیهسازی و پیشبینی سیلاب در حوضه آبریز سرباز، جغرافیا و توسعه، شماره 31، صص 28-15. ـ ویسی، هادی؛ مفاخری، کبری، و سعید باقری شورکی (1388)، «مبانی شبکههای عصبی (ساختارها، الگوریتمها و کاربردها)، نشر تهران: نص. -Azadi, Samira & Sepaskhah, Ali Reza (2011), “Annual precip-itation forecast for west, southwest, and south provinces of Iran using artifical neural network, Theor Appl Climatol, PP. 220-232.
-Efimov,V.V & Pososhkov,V.L, (2006), “Analaysis of observ-ations and methods for calculating hydrophysical fields in the ocean application of the method of artifical neural networks to The downscaling of precipitation forecasting in the coastal region of the Black Sea”, Physical Oceanography, No.3, Vol.16.
-Gao, Chao & Gemmer, Marco & Zeng, Xiaofan & Liu, Bo & Su, Buda & Yuhua, Wen, (2010), “Projected streamflow in tthe huaihe River basin (2010–2100) using artificial neural network”, Stoch Environ Res Risk Assess, PP.685–697.
-John Cheng, Fi & Chiu Chang, Li & Lung Huang, Hau, (2002), “Real-Time recurrent learning neural network for stream-flow forecasting”, Hydrological Processes, 16, PP. 2577-2588.
-Khalili, Najmeh & Khodashenas, Saeed Reza & Davary, Kam-ran & Karimaldini, Fatemeh, (2011), “Daily Rainfall Forecasting for Mashhad synoptic station using artifical neural Networks, International Conference on Enviromental and Computer Scien-ce, Vol.19.
-Rajurkar, M.P & Kothyari, U.C & Chaube, U.C, (2004), “Model-ing of The daily rainfall-runoff relationship with artificial neural Network, Journal of Hydrology, 285, PP.96-113.
-Sattari, M. Taghi & Apaydin, Halit & Ozturk, Fazli (2001), Flow Estimations For The Sohu Stream Using Artificial Neural Networks, Environment Earth Sci. PP.100-118. | ||
آمار تعداد مشاهده مقاله: 1,227 تعداد دریافت فایل اصل مقاله: 771 |