برآورد بارش به کمک شبکه عصبی مصنوعی با داده های هواشناسی غیربارشی در سه منطقه شیراز، مشهد و کرمان

  • سال انتشار: 1392
  • محل انتشار: فصلنامه جغرافیا و برنامه ریزی، دوره: 17، شماره: 43
  • کد COI اختصاصی: JR_GEOP-17-43_002
  • زبان مقاله: فارسی
  • تعداد مشاهده: 191
دانلود فایل این مقاله

نویسندگان

علیرضا ایلدرمی

استادیار گروه مهندسی آبخیزداری دانشکده محیط زیست و منابع طبیعی دانشگاه ملایر

حمید زارع ابیانه

گروه مهندسی آبیاری دانشکده کشاورزی دانشگاه بوعلی سینا

مریم بیات ورکشی

گروه 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 ۵/۰ بزرگ­تر بوده و بمراتب به­مقدار ۱ نزدیک­تر است. به­طوری­که نمای هرست از حداقل ۸/۰ در ایستگاه مشهد تا حداکثر ۹۲/۰ 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 ۳ و ۴ پارامتر هواشناسی، بهترین رتبه برآوردگری را داشته­اند. آرایش­های پیشنهادی برای ایستگاه شیراز، ۱-۲۱-۲۱-۳، کرمان ۱-۲۵-۲۵-۳ و مشهد ۱-۱۹-۱۹-۴ دارای ضریب همبستگی بیش از ۹۱ درصد شد. اعتبارسنجی مدل­های بارش نشان داد که شبکه­های طراحی شده برای پارامتر بارش در ایستگاه­های مشهد، شیراز و کرمان به ترتیب با خطای ۴، ۱۱ و ۱۴ 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.

کلیدواژه ها

بارش سالانه, پیرسون, شبکه عصبی مصنوعی, دمای هوا, رطوبت نسبی, نمای هرست

اطلاعات بیشتر در مورد 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.