مدلسازی دما در دو اقلیم نیمه خشک و مرطوب با استفاده از حافظه طولانی-کوتاه-مدت و روش های پیش پردازنده CEEMD و DWT
- سال انتشار: 1402
- محل انتشار: فصلنامه مهندسی و مدیریت آبخیز، دوره: 15، شماره: 4
- کد COI اختصاصی: JR_JWEM-15-4_007
- زبان مقاله: فارسی
- تعداد مشاهده: 45
نویسندگان
استاد، گروه مهندسی آب، دانشکده عمران، دانشگاه تبریز، تبریز، ایران
دانشجوی دکتری آب و سازه های هیدرولیکی، دانشکده عمران، دانشگاه تبریز، تبریز،ایران
چکیده
مقدمهپیش بینی تغییرات بیشینه دما، بسیار مهم است و به دلیل تاثیرات زیادی که بر منابع آبی، کشاورزی و محیطی دارد، اهمیت فزاینده ای پیدا کرده است. با پیش بینی دما، می توان از تغییرات آینده آگاه شد و تمهیدات لازم برای تعدیل اثرات منفی آن بر منابع آبی، کشاورزی و محیطی را انجام داد. بنابراین، مدلسازی و پیش بینی بیشینه دما می تواند، به عنوان یک ابزار مهم در برنامه ریزی و مدیریت منابع طبیعی، اقتصادی و صنعتی مورد استفاده قرار گیرد.مواد و روش هادر این پژوهش، بیشینه دما با استفاده از روش نوین حافظه طولانی-کوتاه -مدت (LSTM) بر پایه روش های پیش پردازنده تبدیل موجک گسسته (DWT) و تجزیه مد تجربی کامل (CEEMD) در دو اقلیم متفاوت (مرطوب و نیمه خشک) مدلسازی شد. برای این منظور، از داده های دمای بیشینه، دمای کمینه، بارش و تابش خورشیدی به صورت روزانه مربوط به دوره ۲۰۰۱ تا ۲۰۲۰ ایستگاه های سینوپیک واقع در سیاه بیشه شهرستان آمل در استان مازندران و فرودگاه شهرستان ارومیه در استان آذربایجان غربی، استفاده شد. مشخص شد که در منطقه نیمه خشک، پارامترهای دمای بیشینه و کمینه دو روز قبل و دمای بیشینه و کمینه یک روز قبل و دمای کمینه و تابش خورشیدی همان روز و در منطقه مرطوب، پارامترهای دمای بیشینه دو روز قبل و دمای بیشینه و کمینه یک روز قبل و دمای کمینه و تابش خورشیدی همان روز، به عنوان مدل برتر شناخته شده است.نتایج و بحثنتایج حاصل از تحلیل مدل ها، قابلیت و کارایی بالای روش به کار رفته در تخمین بیشینه دما را به خوبی نشان داد. از طرف دیگر، روش های پیش پردازنده باعث بهبود نتایج شدند. در بررسی های صورت گرفته مشاهده شد که نتایج حاصل از تجزیه بر اساس تبدیل موجک، منجر به نتایج بهتری می شود، به طوری که معیار ارزیابی DC برای مدل برتر در منطقه نیمه خشک شهرستان ارومیه، از ۰.۹۶۵ به ۰.۹۹۳ و در منطقه مرطوب شهرستان آمل از ۰.۹۲۶ به ۰.۹۷۰، افزایش یافت و معیار RMSE در فرودگاه ارومیه از ۱.۹۴۳ به۰.۸۹۶ و در سیاه بیشه از ۲.۵۹۵ به ۱.۶۴۸، کاهش یافته است.نتیجه گیرینتایج بررسی نشان از افزایش معیار ارزیابی DC و کاهش RMSE برای ایستگاه سینوپتیک فرودگاه ارومیه به ترتیب ۲.۷۴ و ۵۳.۸۷ درصد و برای ایستگاه سینوپتیک سیاه بیشه آمل به ترتیب ۴.۸۰ و ۳۵.۵۰ درصد شد. این نتایج نشان می دهد، تبدیل موجک بیشترین تاثیر را در بهبود عملکرد مدل LSTM دارد و مدل های منتخب، قابلیت و کارایی بالایی در تخمین میزان دمای بیشینه را دارند. با توجه به نتایج تحلیل حساسیت مشخص شد، پارامتر دمای یک روز قبل، تاثیرگذارترین پارامتر در تخمین بیشینه دمای روزانه برای دو منطقه با اقلیم متفاوت مرطوب و نیمه خشک است.کلیدواژه ها
بیشینه دما, تبدیل موجک, تجزیه مد تجربی, شبکه های عصبی مصنوعی, یادگیری عمیقاطلاعات 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.