مقایسه کارایی شبکه های عصبی آماری، فازی و پرسپترونی در پیش بینی طوفان های گردوغبار در نواحی بحرانی کشور
- سال انتشار: 1399
- محل انتشار: مجله تحقیقات آب و خاک ایران، دوره: 51، شماره: 8
- کد COI اختصاصی: JR_IJSWR-51-8_014
- زبان مقاله: فارسی
- تعداد مشاهده: 347
نویسندگان
دانشجوی دکتری مهندسی منابع آب گروه مهندسی آبیاری و آبادانی، دانشگاه تهران ، کرج، ایران
گروه مهندسی آبیاری و آبادانی، دانشکده مهندسی و فناوری کشاورزی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران.
گروه مهندسی آبیاری و آبادانی، دانشکده مهندسی و فناوری کشاورزی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران.
گروه مهندسی آبیاری و آبادانی، دانشکده مهندسی و فناوری کشاورزی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران.
گروه مهندسی آبیاری و آبادانی، دانشکده مهندسی و فناوری کشاورزی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران.
چکیده
مناطق مختلف، استعدادهای متفاوتی در انتشار گردوغبار دارند و افزایش طوفان های گردوغبار نشان دهنده حاکمیت اکوسیستم بیابانی در هر منطقه است. درک صحیح وقوع طوفان های گردوغبار در هر منطقه، به مدیریت و کاهش خسارت های حاصل از گردوغبار کمک شایانی می کند. هدف از این تحقیق پیش بینی فراوانی روزهای همراه با طوفان های گردوغبار (FDSD) در مقیاس زمانی فصلی است. بدین منظور، با استفاده از داده های سینوپ ساعتی و کدهای گردوغبار سازمان جهانی هواشناسی، روز های همراه با طوفانهای گردوغبار در شش ایستگاه همدید زابل، آبادان، اهواز، زاهدان، بستان و مسجدسلیمان با طول دوره آماری ۲۵ ساله (۲۰۱۴-۱۹۹۰) تعیین شد. پس از محاسبه فراوانی تعداد روزهای همراه با طوفانهای گردوغبار و تشکیل سری های زمانی فصلی، با استفاده از چهار روش هوش مصنوعی شامل شبکه عصبی پرسپترونی چندلایه (MLP)، سیستم استنباط عصبی-فازی تطبیقی (ANFIS)، شبکه عصبی مبتنی بر توابع پایه شعاعی (RBF) و شبکه عصبی رگرسیون تعمیم یافته (GRNN) اقدام به پیش بینی فراوانی روزهای همراه با طوفان های گردوغبار در یک فصل بعد شد. نتایج حاکی از افزایش دقت پیش بینی ها در فصول همراه با تعداد بیشتر روزهای همراه با طوفان گردوغبار بود؛ به نحوی که بر اساس نتایج حاصل از مدل MLP، ضریب همبستگی بین مقادیر مشاهداتی و پیش بینی شده فراوانی روزهای همراه با طوفان گردوغبار برای ایستگاه مسجدسلیمان و زابل به ترتیب ۸/۰ و ۹۷/۰ بوده است. با این توضیح که زابل بیشترین فراوانی را در بین این ایستگاه ها دارد. همچنین با توجه به نتیجه مدل های ANFIS، RBF و GRNN به ترتیب ضریب همبستگی محاسبه شده برای پیش بینی در ایستگاه های مسجدسلیمان و زابل از ۴۱/۰ تا ۹۵/۰، ۳۵/۰ تا ۹۲/۰ و ۲۲/۰ تا ۹۸/۰ متغیر بود. در مجموع با مقایسه نتیجه مدل های مورد استفاده، ANFIS بهترین عملکرد و بعد از آن GRNN بهترین نتیجه را ارائه نموده است. نتایج این مطالعه می تواند در مدیریت پیامدهای ناشی از طوفان گردوغبار و برنامه های مقابله با بیابان زایی در مناطق تحت مطالعه مفید باشد.کلیدواژه ها
پیش بینی, توابع پایه شعاعی, گردوغبار, سیستم استنباط عصبی-فازی تطبیقی, هوش مصنوعیاطلاعات 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.