ناشر تخصصی کنفرانس های ایران

لطفا کمی صبر نمایید

Publisher of Iranian Journals and Conference Proceedings

Please waite ..
ناشر تخصصی کنفرانسهای ایران
ورود |عضویت رایگان |راهنمای سایت |عضویت کتابخانه ها
عنوان
مقاله

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

سال انتشار: 1400
کد COI مقاله: JR_JWIM-11-2_008
زبان مقاله: فارسیمشاهده این مقاله: 76
فایل این مقاله در 16 صفحه با فرمت PDF قابل دریافت می باشد

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای 16 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

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

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.

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

کد مقاله/لینک ثابت به این مقاله

کد یکتای اختصاصی (COI) این مقاله در پایگاه سیویلیکا JR_JWIM-11-2_008 میباشد و برای لینک دهی به این مقاله می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:

https://civilica.com/doc/1265618/

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
قاسمی، پوریا و کرباسی، مسعود و زمانی نوری، علیرضا و سرائی تبریزی، مهدی،1400،کاربرد مدل ترکیبی شبکه عصبی مصنوعی و الگوریتم های بهینه سازی فرا ابتکاری در پیش بینی شاخص خشکسالی SPEI۱۲،https://civilica.com/doc/1265618

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (1400، قاسمی، پوریا؛ مسعود کرباسی و علیرضا زمانی نوری و مهدی سرائی تبریزی)
برای بار دوم به بعد: (1400، قاسمی؛ کرباسی و زمانی نوری و سرائی تبریزی)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

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). ...
  • مدیریت اطلاعات پژوهشی

    صدور گواهی نمایه سازی | گزارش اشکال مقاله | من نویسنده این مقاله هستم
    این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

    اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

    علم سنجی و رتبه بندی مقاله

    مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
    نوع مرکز: دانشگاه آزاد
    تعداد مقالات: 33,902
    در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

    به اشتراک گذاری این صفحه

    اطلاعات بیشتر درباره COI

    COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.

    کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.

    پشتیبانی