مقایسه روش های شبکه های عصبی مصنوعی، شبکه بیزین و برنامه ریزی بیان ژن در پیش بینی خشکسالی (مطالعه موردی: ایستگاه سینوپتیک مراغه)

سال انتشار: 1399
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 184

فایل این مقاله در 13 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_JWMR-11-21_006

تاریخ نمایه سازی: 4 مهر 1400

چکیده مقاله:

          خشکسالی جزء جدایی­ ناپذیر هر اقلیمی محسوب می­ گردد که تاثیرات مهمی بر بخش­ های مختلف جامعه دارد و سبب افزایش فشار بر منابع آبی می ­گردد. لذا پیش ­بینی وضعیت آتی آن می ­تواند به برنامه ­ریزان و تصمیم گیران در بخش­های مختلف کمک شایانی نماید. در این تحقیق جهت پیش­ ینی خشکسالی در مقیاس­های زمانی مختلف شاخص خشکسالی بارش و تبخیر تعرق استاندارد (SPEI) از ۵ ورودی مختلف شامل مقادیر شاخص SPEI با تاخیرهای یک تا ۵ ماهه استفاده و سپس از سه روش هوشمند شامل برنامه ­ریزی بیان ژن (GEP)، شبکه بیزین (BN) و شبکه عصبی مصنوعی (ANN) جهت پیش­ بینی مقادیر آتی استفاده گردید. نتایج نشان داد که هر سه روش در مقیاس زمانی کوتاه­ مدت شاخص SPEI از دقت مناسب برخوردار نمی ­باشند به طوری که بهترین عملکرد در مقیاس زمانی یک ماهه مربوط به مدل شبکه بیزین با ضریب همبستگی ۱۴۲/۰ و در مقیاس سه ماهه مربوط به روش ANN با ضریب همبستگی ۷۰۴/۰ می ­باشد. نتایج همچنین نشان داد که دقت پیش­ بینی­ مدل با افزایش مقیاس محاسبه SPEI رابطه مستقیم دارد و با افزایش مقیاس زمانی SPEI، دقت پیش ­بینی افزایش پیدا می­ کند. همچنین هر سه روش در مقیاس­های زمانی بلندمدت از عملکرد مناسبی برخوردار می­ باشند.   واژه­های کلیدی: پیش­بینی، خشکسالی، مراغه، مدل هوشمند، شاخص SPEI

نویسندگان

عباس عباسی

Urmia University

کیوان خلیلی

Urmia University

جواد بهمنش

Urmia University

اکبر شیرزاد

Urmia University of Technology

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., I.A. Stegun, and D. Miller. ۱۹۶۵. Handbook of ...
  • Allen, R.G., L.S. Pereira, D. Raes and M. Smith. ۱۹۹۸. ...
  • Da Silva, V.d.P.R. ۲۰۰۴. On climate variability in Northeast of ...
  • Dastorani, M. and H. Afkhami. ۲۰۱۱. Application of artificial neural ...
  • Farmani, R., H.J. Henriksen, D. Savic and D. Butler. ۲۰۱۲. ...
  • Ghorbani, M.A., J. Shiri and H. Kazemi. ۲۰۱۰. Estimation of ...
  • Habibipoor, H., M.T. Dastorani, M.R. Ekhtesasi and H. Afkhami. ۲۰۱۲. ...
  • Haykin, S. ۱۹۹۴. Neural Networks: A Comprehensive Foundation: Prentice Hall ...
  • Hosseini-Moghari, S.M. and S. Araghinejad. ۲۰۱۶. Application of Statistical, Fuzzy ...
  • Hosking, J.R. ۲۰۰۹. L-Moments Wiley StatsRef: Statistics Reference Online ...
  • Kempes, C., O. Myers, D. Breshears and J. Ebersole. ۲۰۰۸. ...
  • Koza, J.R. and R. Poli. ۲۰۰۵. Genetic programming. In: Search ...
  • Maca, P. and P. Pech. ۲۰۱۶. Forecasting SPEI and SPI ...
  • Madadgar, S. and H. Moradkhani. ۲۰۱۴. Spatio-temporal drought forecasting within ...
  • Mehdizadeh, S., J. Behmanesh and H. Saadatnejad Gharahassanlou. ۲۰۱۶. Evaluation ...
  • Miller, G.T. and S. Spoolman. ۲۰۱۲. Environmental science: Cengage Learning ...
  • Mishra, A. and V. Desai. ۲۰۰۵. Drought forecasting using stochastic ...
  • Mishra, A. and V. Desai. ۲۰۰۶. Drought forecasting using feed-forward ...
  • Morid, S., V. Smakhtin and K. Bagherzadeh. ۲۰۰۷. Drought forecasting ...
  • Thornthwaite, C.W. ۱۹۴۸. An approach toward a rational classification of ...
  • Vicente-Serrano, S.M., S. Begueria and J.I. Lopez-Moreno. ۲۰۱۰. A multi ...
  • Wilhite, D. A. ۲۰۰۰. Drought as a Natural Hazard: Concepts ...
  • Zabihi, M., R. Mostafazadeh and M. Sharari. ۲۰۱۷. Analysis of ...
  • Zare Amini, F., M.A. Ghorbani and S. Darbandi. ۲۰۱۴. Evaluation ...
  • Zanetti, S., E. Sousa, V. Oliveira, F.Almeida and S. Bernardo. ...
  • Abramowitz, M., I.A. Stegun, and D. Miller. ۱۹۶۵. Handbook of ...
  • Allen, R.G., L.S. Pereira, D. Raes and M. Smith. ۱۹۹۸. ...
  • Da Silva, V.d.P.R. ۲۰۰۴. On climate variability in Northeast of ...
  • Dastorani, M. and H. Afkhami. ۲۰۱۱. Application of artificial neural ...
  • Farmani, R., H.J. Henriksen, D. Savic and D. Butler. ۲۰۱۲. ...
  • Ghorbani, M.A., J. Shiri and H. Kazemi. ۲۰۱۰. Estimation of ...
  • Habibipoor, H., M.T. Dastorani, M.R. Ekhtesasi and H. Afkhami. ۲۰۱۲. ...
  • Haykin, S. ۱۹۹۴. Neural Networks: A Comprehensive Foundation: Prentice Hall ...
  • Hosseini-Moghari, S.M. and S. Araghinejad. ۲۰۱۶. Application of Statistical, Fuzzy ...
  • Hosking, J.R. ۲۰۰۹. L-Moments Wiley StatsRef: Statistics Reference Online ...
  • Kempes, C., O. Myers, D. Breshears and J. Ebersole. ۲۰۰۸. ...
  • Koza, J.R. and R. Poli. ۲۰۰۵. Genetic programming. In: Search ...
  • Maca, P. and P. Pech. ۲۰۱۶. Forecasting SPEI and SPI ...
  • Madadgar, S. and H. Moradkhani. ۲۰۱۴. Spatio-temporal drought forecasting within ...
  • Mehdizadeh, S., J. Behmanesh and H. Saadatnejad Gharahassanlou. ۲۰۱۶. Evaluation ...
  • Miller, G.T. and S. Spoolman. ۲۰۱۲. Environmental science: Cengage Learning ...
  • Mishra, A. and V. Desai. ۲۰۰۵. Drought forecasting using stochastic ...
  • Mishra, A. and V. Desai. ۲۰۰۶. Drought forecasting using feed-forward ...
  • Morid, S., V. Smakhtin and K. Bagherzadeh. ۲۰۰۷. Drought forecasting ...
  • Thornthwaite, C.W. ۱۹۴۸. An approach toward a rational classification of ...
  • Vicente-Serrano, S.M., S. Begueria and J.I. Lopez-Moreno. ۲۰۱۰. A multi ...
  • Wilhite, D. A. ۲۰۰۰. Drought as a Natural Hazard: Concepts ...
  • Zabihi, M., R. Mostafazadeh and M. Sharari. ۲۰۱۷. Analysis of ...
  • Zare Amini, F., M.A. Ghorbani and S. Darbandi. ۲۰۱۴. Evaluation ...
  • Zanetti, S., E. Sousa, V. Oliveira, F.Almeida and S. Bernardo. ...
  • نمایش کامل مراجع