پیش بینی بارش فصلی در جنوب ایران با استفاده از داده های اقلیمی ERA۵ و مدلهای هیبریدی یادگیری عمیق
- سال انتشار: 1403
- محل انتشار: بیست و یکمین کنفرانس ژئوفیزیک ایران
- کد COI اختصاصی: GCI21_085
- زبان مقاله: فارسی
- تعداد مشاهده: 112
نویسندگان
دانشجوی دکتری هواشناسی کشاورزی، دانشکده کشاورزی، دانشگاه بوعلی سینا همدان، ایران
استاد گروه مهندسی آب، دانشکده کشاورزی، دانشگاه بوعلی سینا همدان، ایران
چکیده
در این پژوهش ، پیش بینی بارش فصلی در جنوب ایران با استفاده از مدل های یادگیری عمیق مورد بررسی قرار گرفته است. داده هایورو دی از مجموعه بازتحلیل ERA۵ شام ل ۶ متغیر ارتفاع ژئوپتانسیل، دما، رطوبت نسبی، رطوبت ویژه و مولفه های افقی و عمودی باددر بازه زمانی ۱۹۹۴ تا ۲۰۲۳ است خراج و دو مدل مجز ای LSTM و CNN و مدل ترکیبی ConvLSTM به کار گرفته شد. مدل هایLSTM و CNN به ترتیب برای شناسایی وابستگی های زمانی و استخراج ویژگی های فضایی استفاده می شوند، در حالی کهConvLSTM از ترکیب این دو مدل، برای پوشش همزمان وابستگی های زمانی و مکانی بهره م یبرد. مدل ها پس از آماده سازی ونرمال سا زی داده ها، آموزش داده شدند و با معیارهای MAE ، MSE و ۲R ارزیابی گردیدند. نتایج نشان داد که مدل ConvLSTM باضریب تبیین ((R(۲) برابر ۷۲۴۲ / ۰ عملکرد بهتری نسبت به دو مدل دیگر دارد. این مدل به دلیل قابلیت ترکیب ویژگی های زمانی ومکانی، خطای کمتری را در پیش بینی بارش های فصلی نشان داد. در نهایت، داده های ورودی (۶ متغیر) سال ۲۰۲۵ نیز برای پیش بینیبارش های آینده با استفاده از مدل ها به کار گرفته شد و مجموع مقادیر بارش به تفکیک هر فصل استخراج گردید که در مدل ترکیبیاین مقادیر برای فصل های بهار، تابستان، پاییز و زمستان به ترتیب برابر ۱ / ۱۲۲ ، ۶ / ۵۱ ، ۹ / ۶۸ و ۳ / ۱۶۰ میلیمتر می باشد. به طور کلییافته ها نشان دهنده پتانسیل استفاده از مدل های ترکیبی یادگیری عمیق بر ای بهبود دقت پیش بینی بارش فصلی در جنوب ایران استو میتواند ابزار موثری بر ای برنامه ریزی منابع آب و کشاورزی باشد.کلیدواژه ها
بارش، داده بازتحلیل (ERA۵)، حافظه طولانی کوتاه مدت (LSTM)، شبکه عصبی پیچشی (CNN)، مدل هیبریدمقالات مرتبط جدید
- Experimental study of turbulent mixing in the presence of double-diffusive convection and a brief view of its effect on the melting rate in Antarctica
- The ۲۳ and ۲۴ January ۲۰۲۲ Tabriz earthquakes (NW Iran): Seismological study and seismotectonic implication
- Teleseismic estimates of earthquake source slowness as a measure of near-field ground motion: Seismic hazard in Iran
- Study of the seismic activity effect on the uplift rate of salt domes in the Zagros fold and thrust belt, southern Iran by using the InSAR method
- Study Of The Interaction Between The Solar Wind And Mars
اطلاعات 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.