کاربرد مدل ترکیبی شبکه عصبی مصنوعی و الگوریتم های بهینه سازی فرا ابتکاری در پیش بینی شاخص خشکسالی SPEI۱۲

سال انتشار: 1400
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 338

فایل این مقاله در 16 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_JWIM-11-2_008

تاریخ نمایه سازی: 20 شهریور 1400

چکیده مقاله:

خشکسالی یکی از مهم ترین بلایای طبیعی می باشد که در همه ی رژیم های آب و هوایی رخ می دهد. بنابراین، پیش بینی و مقابله با آن از اهمیت بالایی برخوردار است. در پژوهش حاضر از سه الگوریتم های بهینه سازی هوشمند (الگوریتم بهینه سازی مبتنی بر آموزش و یادگیری (TLBO)، الگوریتم بهینه سازی علف های هرز (IWO)، الگوریتم ازدحام ذرات (PSO)) و الگوریتم متداول لونبرگ- مارکوات به منظور آموزش شبکه عصبی مصنوعی چند لایه، برای پیش بینی شاخص خشکسالی SPEI۱۲ یک الی سه ماه آینده در ۷۹ ایستگاه سینوپتیک کشور استفاده گردید. با توجه به تعداد زیاد ایستگاه های سینوپتیک، ایستگاه ها با توجه به سری های زمانی خشکسالی و با استفاده از روش K-means به پنج خوشه C۱ تا C۵ تقسیم شدند. نتایج با توجه به قرارگیری ایستگاه ها در خوشه ها مورد مقایسه قرار گرفتند و دقت مدل ها بر اساس آماره های RMSE) و (R۲ داده های آزمون، مورد ارزیابی قرار گرفتند. نتایج به دست آمده از این پژوهش نشان داد که در هر سه مدل پیش بینی با افزایش مقیاس زمانی پیش بینی دقت مدل ها کاهش یافته است. مقایسه بین سه الگوریتم بهینه سازی ذکر شده و الگوریتم لونبرگ- مارکوات به عنوان یک الگوریتم پرکاربرد در بهینه سازی وزن های شبکه عصبی، نشان دهنده برتری قابل توجه الگوریتم های بهینه سازی فراابتکاری است. مقایسه بین سه الگوریتم TLBO،IWO و PSO نشان داد که الگوریتم TLBO اندکی بهتر از سایر الگوریتم ها عمل می کند و نتایج دقیق تری را ارائه می کند. بهترین پیش بینی مدل های ذکر شده و بیشترین مقادیر R۲ در خوشه یک (شرق، نوار جنوب و جنوب شرقی ایران) و بیشترین مقادیر RMSE و کمترین دقت مدل ها در خوشه پنج (نوار شمالی کشور) مشاهده شد.

کلیدواژه ها:

الگوریتم های بهینه سازی هوشمند ، خشک سالی ، شاخص بارش- تبخیر و تعرق استانداردشده ، یادگیری ماشین

نویسندگان

پوریا قاسمی

دانشجوی دکتری، گروه علوم و مهندسی آب، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.

مسعود کرباسی

دانشیار، گروه مهندسی آب، دانشگاه زنجان، زنجان، ایران.

علیرضا زمانی نوری

دانشیار، گروه مهندسی عمران، واحد شهر قدس، دانشگاه آزاد اسلامی، تهران، ایران.

مهدی سرائی تبریزی

استادیار، گروه علوم و مهندسی آب، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، 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 :
  • Abramowitz, M., & Stegun, I. (۱۹۶۵). Handbook of mathematical functions: ...
  • Aghelpour, P., Bahrami-Pichaghchi, H., & Varshavian, V. (۲۰۲۱). Hydrological drought ...
  • Aghelpour, P., Bahrami-Pichaghchi, H., & Kisi, O. (۲۰۲۰). Comparison of ...
  • Alizadeh, M. J., Shabani, A., & Kavianpour, M. R. (۲۰۱۷). ...
  • Beguería, S., Vicente‐Serrano, S. M., Reig, F., & Latorre, B. ...
  • Caliński, T., & Harabasz, J. (۱۹۷۴) A dendrite method for ...
  • Chen, X., Chau, K. & Busari, A. (۲۰۱۵). A comparative ...
  • Cheng, C.T., Wang W.C., Xu D.M., & Chau, K. (۲۰۰۸). ...
  • Cheraghalizadeh, M., Nazi-Ghameshloo, A., & Bazrafshan, J. (۲۰۱۸). Integrated monitoring ...
  • Davarpanah, G., (۲۰۰۲). The investigation of the most important economic ...
  • Droogers, P., & Allen, R. G. (۲۰۰۲). Estimating reference evapotranspiration ...
  • Dugenci, M., Aydemir, A., Esen, I., & Aydın, M.E. (۲۰۱۵). ...
  • Edwards, D. C., & McKee, T. B. (۱۹۹۷). Characteristics of ...
  • Eroğluer, T. A., & Apaydin, H. (۲۰۲۰). Estimation of drought ...
  • Farris, J. S. (۱۹۶۹). On the cophenetic correlation coefficient. Systematic ...
  • Feng, P., Wang, B., Li Liu, D., & Yu, Q. ...
  • Gao, W., Karbasi, M., Derakhsh, A. M., & Jalili, A. ...
  • Ghamghami, M., & Bazrafshan, J. (۲۰۱۲). Prediction of meteorological drought ...
  • Hartigan, J. A. (۱۹۷۵). Clustering algorithms, New York: John Wiley ...
  • Hosseini-Moghari, S. M., & Araghinejad, S. (۲۰۱۵). Monthly and seasonal ...
  • Kayarvizhy, N., Kanmani, S., & Uthariaraj, R. (۲۰۱۳). Improving fault ...
  • Kennedy, J., & Eberhart, R.C. (۱۹۹۵). Particle swarm optimization. In ...
  • Keyantash, J. A., & Dracup, J. A. (۲۰۰۴). An aggregate ...
  • Kisi, O., Gorgij, A. D., Zounemat-Kermani, M., Mahdavi-Meymand, A., & ...
  • Komasi, M., Sharghi, S., & Safavi, H. R. (۲۰۱۸). Wavelet ...
  • Mehdizadeh, S., Ahmadi, F., Mehr, A. D., & Safari, M. ...
  • Mehrabian, A. R., & Lucas, C. (۲۰۰۶). A novel numerical ...
  • Mirakbari, M., Mortezaie, F. G., & Mohseni, S. M. (۲۰۱۸). ...
  • Nabipour, N., Dehghani, M., Mosavi, A., & Shamshirband, S. (۲۰۲۰). ...
  • Park, S., Im, J., Jang, E., & Rhee, J. (۲۰۱۶). ...
  • Rao, R. V., Savsani, V. J., & Vakharia, D. P. ...
  • Rao, R. V., Savsani, V. J., & Vakharia, D. P. ...
  • Shafiei, M., Ghahraman, B., Ansari, H., & Sharifi, M. (۲۰۱۱). ...
  • Satapathy, S. C., Naik, A., & Parvathi, K. (۲۰۱۲, December). ...
  • Sheffield, J., & Wood, E. F. (۲۰۱۱). Drought. past problems ...
  • Toğan, V. (۲۰۱۲). Design of planar steel frames using teaching–learning ...
  • Vicente-Serrano, S. M., Beguería, S., & López-Moreno, J. I. (۲۰۱۰). ...