مدلسازی و پیش بینی آب و هوایی فصلی با بکارگیری الگوهای فصلی، شبکه عصبی و هیبرید

سال انتشار: 1390
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,377

فایل این مقاله در 11 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:

NCAGM01_196

تاریخ نمایه سازی: 7 آذر 1391

چکیده مقاله:

استان اردبیل به لحاظ داشتن تنوع اقلیمی خاص و منحصربفرد، وجود کشت و صنعت های مغان و پارس، دشتهای حاصلخیزاردبیل، مغان و مشکین شهر جایگاه ویژه ای در بخش کشاورزی در سطح کشور دارد. استان اردبیل از دو بخش کوهستانی سردو جلگه ای معتدل تشکیل شده و به تبع عوامل طبیعی و جغرافیائی، دارای تنوعات اقلیمی قابل توجه است. اما ویژگی سردیکه ناشی از تاثیر توده های هوای سرد شمالی، ارتفاع و عرض جغرافیائی است، صفت مشترک اقلیم های گوناگون استانگردیده و حتی در پست ترین نقاط استان که طبیعتا دارای اقلیم معتدل هستند بطور متوسط درحدود 61 روز از سال دارایشرایط یخبندان بوده و سردی هوا برتمامی استان و کلیه اقلیم ها کم و بیش تاثیر می گذارد.به دلیل نوسانات نسبتا زیاد آب و هوا و باتوجه به شرایط آب و هوایی و وجود یخبندانها در فصل بهار و همچنین سرمای زودهنگام در فصل پاییز باعث شده که کاشت و برداشت محصولات کشاورزی در این استان همواره مواجه با بلایای جوی باشد لذابا توجه به اهمیت بخش کشاورزی در استان اردبیل، در نوشتار حاضر از الگوهای فصلی، شبکه عصبی مصنوعی و هیبرید الگویفصلی و شبکه عصبی مصنوعی برای پیش بینی میانگین ماهیانه متوسط دمای روزانه هوای اردبیل برحسب درجه سانتی گراد استفاده شده است. برای این منظور داده های ماهانه میانگین دمای هوا طی دوره 89-1356 برای اردبیل مورد استفاده قرار گرفته است. مقایسه قدرت پیش بینی سه الگوی فوق مؤید برتری الگوی هیبرید SARIMABP می باشد.

کلیدواژه ها:

الگوهای فصلی ، الگوهای شبکه عصبی مصنوعی ، الگوی هیبرید ، اردبیل

نویسندگان

پریسا خلیق خیاوی

دانشجوی دکتری اقتصاد کشاورزی دانشگاه آزاد اسلامی واحد علوم و تحقیقات

محمد کاوسی کلاشمی

دانشجوی دکتری اقتصاد کشاورزی دانشگاه تهران

عباس حیدرزاده

کارشناس شرکت سهامی آب منطقه ای اردبیل

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 :
  • آقاپورصباغی، م. یزدانی، س.؛ سلامی، ح. (1387) _ الگوسازی و ...
  • احمدی، ف. (1383). پیش بینی بارش سالیانه در استان خراسان ...
  • زارع ابیانه، ح. قاسمی، ع.؛ بیات، م.؛ معروفی، ص. (1388) ...
  • شریفان، ح. قهرمان، ب. (1386). ارزیابی پیش بینی باران با ...
  • مالکی فرد، ف. هعلی اکبری، ع. (1383)، اثر انتشار امواج ...
  • قنبرپر، م.ر؛ امیری، م. و غلامی، ش. ع. (1387) ارزیابی ...
  • همتی، ه. (1390)، امکان سنجی باروری ابرها در استان اردبیل ...
  • همتی، ه.؛ دولتی، ع.؛ نصیری، ع.؛ و گلمحمدی، ا. (1390)، ...
  • نخستین کنفرانس ملی هواشناسی و مدیریت آب کشاورزی 1 و ...
  • Ahmad, H.A. and Dozier, G.V. and Roland, D.A. 2001. Egg ...
  • Arnade, C. and D. Pich, 1998: Seasonality and unit root, ...
  • 1. Canova, F. and B.E. Hansen, 1995: Are Seasonal Patterns ...
  • Enders, W. 1995: Applied Econometric Time Series. John Wiley & ...
  • Eric, A. 2010: Modeling and Forecasting Inflation Rates in Ghana: ...
  • Franses P.H 1991: Seasonality, non- seasonality and the forecasting of ...
  • Franses, P.H. and B. Hobijn, 1997: Critical value for unit ...
  • Hung, N. (2008) _ An artificial neural network modl for ...
  • Kleiber, C. and Zeileis, A. 2008: Applied Econometrics with R. ...
  • Pfaff, B. 2008: Analysis of Integrated and Cointegrated Time Series ...
  • Shumway, R.H. and D.S. Stoffer, 2006: Time Series Analysis and ...
  • Taylor, A.M.R. 1997: On the practical problems of computing seasonal ...
  • Wang, 1. and Guoqiang, Qi. And Fu, Q. and Liu, ...
  • نمایش کامل مراجع