مقایسه مناسب ترین ترکیب ورودی در روش های شبکه عصبی مصنوعی و درخت تصمیم به منظور شناسایی عوامل تاثیرگذار بر پدیده گرد و غبار (مطالعه موردی: استان یزد)

یکی از بلایای طبیعی که هر ساله موجب خسارت های زیادی در نواحی خشک و بیابانی جهان از جمله ایران و منطقه یزد میشود، بادهای شدید و شکلگیری طوفان گرد و خاک است که هرساله چندین مرتبه به وقوع می پیوندد. در این مطالعه از دادههای هواشناسی ایستگاه یزد (طوفان تندر، بزرگی باد (اندازه، مقدار)، تداوم باد (پیوستگی باد)، دید افقی، سریعترین سرعت باد، میانگین سرعت باد، سرعت باد غالب و تعداد وقوع طوفان گرد و خاک ثبت شده توسط اداره هواشناسی (اعم از طوفان های با منشاء داخلی و خارجی)) در بازه زمانی ۱۹۵۳-۲۰۰۵ به صورت ماهانه استفاده شد. به منظور تعیین مناسبترین ترکیب ورودی مدل شبکه عصبی و تعداد پارامترهای (ورودی) تاثیرگذار بر پدیده طوفان گرد و خاک از روشهای کاهش متغییر تحلیل عاملی (حداکثر احتمال، مولفه اصلی)، تجزیه مولفههای اصلی، آزمون تست گاما و رگرسیون گام به گام پیش رونده استفاده شد. هر کدام از روشهای مذکور ترکیب متفاوتی را ارائه نمودند که هر کدام از این ترکیبها در مدل شبکه عصبی پیش خور پس انتشار با توابع آموزشی لورنبرگ مارکوآت استفاده شد. نتایج به دست آمده نشان داد که رگرسیون گام به گام پیش رونده با ۸۷/۰ R²= و ۰۴/۰RMSE= مناسب ترین ترکیب را برای مدل شبکه عصبی ایجاد میکند. مقایسه شبیهسازی پدیده طوفان گرد و خاک در فصول و ماه های مختلف سال نشان داد که شبیهسازی پدیده گرد و غبار فصلهای تابستان و بهار و همچنین ماههای فروردین، اردیبهشت، خرداد، تیر، مرداد و شهریور از دقت بالاتری برخوردار میباشد. در مقایسه میان مدلهای شبکه عصبی پیشخور پس انتشار خطا با توابع آموزشی لورنبرگ مارکوآت و درخت تصمیم با توابع آموزشی کارت (CART)، شبکه عصبی با ضریب همبستگی ۸۷/۰ و مجذور میانگین مربعات خطای ۰۴/۰ نسبت به روش درخت .تصمیم با ضریب همبستگی ۸۶/۰ و مجذور میانگین مربعات خطای ۰۶/۰ از دقت بالاتری به منظور شبیهسازی طوفان گرد و خاک برخوردار است

کلیدواژه ها:

dust storm ، neural network ، decision tree ، algorithm CART ، Yazd Province ، : طوفان گرد و غبار ، شبکه عصبی ، درخت تصمیم ، الگوریتم کارت ، ضریب گاما ، استان یزد