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
نویسندگان
استادیار گروه مهندسی آبخیزداری دانشکده محیط زیست و منابع طبیعی دانشگاه ملایر
گروه مهندسی آبیاری دانشکده کشاورزی دانشگاه بوعلی سینا
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 هرستاطلاعات 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.