برآورد و تحلیل دماهای حداکثر شهرستان اردبیل با استفاده از مدل تئوری شبکه های عصبی مصنوعی

فایل این در 112 صفحه با فرمت PDF قابل دریافت می باشد

  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این :

چکیده :

برآورد دما به عنوان یک از عناصر مهم اقلیمی در زمینه های مختلف از جمله امور اقتصادی، نظامی و کشاورزی دارای اهمیت فراوان است که از نتایج آن می توان در کنترل بیماری ها، مدیریت منابع آب، مطالعات زیست محیطی، حمل و نقل و غیره استفاده نمود. یکی از روش های برآورد عناصر جوی و اقلیمی شبکه های عصبی مصنوعی است. شبکه های عصبی مصنوعی که به اختصار (ANNs) نامیده می شوند در واقع یک ابزار ریاضی قدرتمند هستند که با تقلید ساده از سیستم عصبی بیولوژیک ساخته شده اند. قدرت انعطاف و تصحیح پذیری بالایی در انطباق خود با داده های موجود را دارند به طوری که می توانند مجهز به سازماندهی شود که نظم و هماهنگی موجود در داخل این داده ها را پیدا نموده و بر اساس یک سری شواهد (بردارهای ورودی) وقوع و بزرگی یک پدیده را برآورد نماید. شبکه های عصبی با استفاده از مجموعه های ورودی و خروجی، روابط موجود بین آنها را تخمین زده و اصطلاحا آموزش می بینند. به نحوی که پس از آن به ازای یک عنصر جدید از مجموعه ورودی، خروجی متناظر آن را تخمین می زنند. این پژوهش با هدف برآورد دمای حداکثر شهرستان اردبیل با استفاده از شبکه های عصبی مصنوعی و برتری آن بر مدل های رگرسیونی در دوره آماری (2005- 1985) صورت گرفته است. با توجه به آموزش بلند مدت (18 سال برای آموزش و 3 سال برای برآورد)، شبکه به گونه ای طراحی گردید که با ورود عناصر متوسط ماهانه رطوبت نسبی، سرعت باد، دماهای حداقل و حداکثر و مجموع ساعات آفتابی در یک ماه از سال، دمای حداکثر همان ماه در سال آینده برآورد می گردد. این کار برای سال های 2004 تا 2006 میلادی جهت تعیین میزان خطای مدل صورت گرفت که در مجموع، حداکثر اختلاف دمای حداکثر واقعی با دمای برآورد شده 83/0 درجه سانتیگراد و ضریب همبستگی آن 99/0 بود. این مقدار برای مدل های رگرسیون خطی و غیر خطی چندگانه به ترتیب برابر 955/0 و950/0 به دست آمده است. نتایج حاصل از این بررسی نشان داد که مدل شبکه های عصبی مصنوعی در برآورد دماهای حداکثر شهرستان اردبیل دقت بیشتری نسبت به مدل های رگرسیون خطی و غیر خطی چندگانه دارد.

کلیدواژه ها:

اردبیل ، برآورد ، دمای حداکثر ، شبکه های عصبی مصنوعی

نویسندگان

سید اسعد حسینی

دکتری اقلیم شناسی، دانشگاه محقق اردبیلی

برومند صلاحی

استاد اقلیم شناسی، دانشگاه محقق اردبیلی

مراجع و منابع این :

لیست زیر مراجع و منابع استفاده شده در این 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 لینک شده اند :
  • احمدی، الف.1382. طبقه بندی تغییرات بارش بوشهر با استفاده از ...
  • اسماعیلیان، م. 1385. راهنمای جامع spss14، موسسه فرهنگی هنری دیباگران، ...
  • اصغری مقدم، الف.، نورانی، و.، ندیری، ع. 1387. مدل سازی ...
  • اصلاح، پ. 1383. آنالیز برگشتی در آزمایش SASW با استفاده ...
  • باقرزاده چهره، ک. 1384. ارزیابی سیگنال های هواشناسی در پیش ...
  • بلوطی، و.1380. پیش بینی THC هوای تهران با استفاده از ...
  • پولادی، الف. 1381. مقایسه عملکرد شبکه عصبی با سایر روش ...
  • ترابی، س.1380. بررسی و پیش بینی تغییرات دما و بارش ...
  • تشنه لب، م.، منشی، م. 1382. پیش بینی پارامترهای هواشناسی ...
  • تشنه لب؛ م.، اخوان ذاکری، م.، ثنائی، ب. 1377. کاربرد ...
  • جعفرپور، الف. 1385. اقلیم شناسی، انتشارات دانشگاه تهران، چاپ ششم، ...
  • جهانبخش اصل، س.، باباپور، ع. 1382. بررسی و پیش بینی ...
  • جهانبخش اصل، س.، نوری، ح. 1388. آب و هوا و ...
  • چوبدار، الف. 1386. پیش بینی ورودی ماهانه دریاچه سد شهید ...
  • حسنپورکاشانی ، م. 1385. شبیه سازی بارش- رواناب با استفاده ...
  • حسینی، س، ه. 1379. مدل شبکه عصبی مصنوعی برای تعیین ...
  • حیات غیبی، س، و. 1380. کاربرد شبکه های عصبی در ...
  • پیش¬بینی بارش با استفاده از شبکه¬های عصبی مصنوعی [مقاله کنفرانسی]
  • خورشید دوست، ع.، قویدل رحیمی، ی. 1383. مقدمه ای براصول ...
  • خوش تن، ز. 1379. پیش بینی میزان مونواکسیدکربن هوا با ...
  • رحمانی، الف.، تشنه لب، م. 1384. پیش بینی دمای روزانه ...
  • رحیمی، الف. 1385. تحلیل آلودگی های هوایی ناشی از مکانیابی ...
  • رحیمی خوب، ع.، بهبهانی، م.، نظری فر، م. 1386. پیش ...
  • رضائی، ع.، سلطانی، الف. 1377. مقدمه ای بر تحلیل رگرسیون ...
  • رهنما، م.، حیات غیبی، س، و. 1380. کاربرد شبکه های ...
  • سگوندی، ف. 1376. پیش بینی عناصر اقلیمی با استفاده از ...
  • سهیلی خواه، س.، تشنه لب، م. 1383. پیش بینی حداکثر ...
  • پیش بینی جریان با استفاده از شبکه های عصبی مصنوعی [مقاله کنفرانسی]
  • صداقت کردار، ع.، فتاحی، الف. 1387. شاخص های پیش آگاهی ...
  • علیاری شوره دلی، م.، تشنه لب، م.، خاکی صدیق، ع. ...
  • علیجانی، ب.، قویدل رحیمی، ی. 1384. مقایسه و پیش بینی ...
  • علیزاده، الف. 1385. اصول هیدرولوژی کاربردی، انتشارات دانشگاه امام رضا، ...
  • غفوری آشتیانی، م.، صابری حقیقی، ک. 1379. تشخیص خرابی در ...
  • پیش بینی بلندمدت بارش با استفاده از سیگنال های هواشناسی : کاربرد شبکه های عصبی مصنوعی [مقاله کنفرانسی]
  • کاوه، ع.، ایران منش، ع. 1378. کاربرد شبکه های عصبی ...
  • کوچک زاده، م.، بهمنی، ع. 1384. ارزیابی عملکرد شبکه های ...
  • منهاج، محمد، باقر. 1384. مبانی شبکه های عصبی(هوش محاسباتی)، مرکز ...
  • مهدوی، م.، طاهرخانی، م. 1383. کاربرد آمار در جغرافیا، قومس، ...
  • ناظم السادات، م.، شیروانی، الف. 1384. پیش بینی دمای سطح ...
  • نتایج کلی سرشماری عمومی نفوس و مسکن، 1385. معاونت برنامه ...
  • ASCE Task Comitee on opplication of Artificial Neural Network inHydroligy. ...
  • Boznar, M., Lesjack, M., Mlakar, P. 1993. A neural network ...
  • Brayson, R.A. 1997. The paradigm of climatology: an essay. Bull. ...
  • Cadenas, E., Rivera, V. 2009. Short term wind speed forecasting ...
  • Conrads, P.A., Roehle, E.A. 1999. Comparing Physics- Based and Neural ...
  • Coulibaly, P., Yoans, D., Francois, A. 2005. Downscaling precipitation and ...
  • Demuth, H., Beale, M. 2000. Neural Network Toolbox User,s Guide, ...
  • Fulop, I.A., Jozsa, J., Karamer, T. 1998. Aneural network application ...
  • Hawrng, H.B., Ang, H.T. 2001. A Simple Neural Network for ...
  • Hornik, K.M., Stinchcombe, M., White, H. 1989. Multilayer Feed forward ...
  • Imran, M., Muhammad, R.K., Ajith, A. 2005. An ensemble if ...
  • Intergovernmental Panel on Climate Change (IPCC), 2001. Climate change 2001: ...
  • Jain, A. 2003. Predicting Air Temperature For Frost Warning Using ...
  • Karunanithi, N., Grenny, W.J., Whitley, D., Bovee, K. 1994. Neural ...
  • Leite, S., Peixoto, J.P. 1996. The Autoregressive Model of Climatological ...
  • Liong, S.Y., Lim, W.H., Paudyal, G.H. 2000. River stage Forecasting ...
  • Pasini, A., Lore, M., Ameli, F. 2005. Neural network modeling ...
  • Peterson, A.S. 2000. Philosophy of climate science. Bull. Amr. Meteor. ...
  • Ranjithan, J., Eheart, J., Garrett, J.H. 1995. Application of neural ...
  • Rehman, S., Mohandes, M. 2008. Artificial neural network estimation of ...
  • Sajikumar, N., Thandaveswara, B.S. 1999. Non Liner rainfall runoff Model ...
  • Senkal, O., Kuleli, T. 2009. Estimation of solar radiation over ...
  • Zekai, S. 1998. Small Sample Estimation of the variance of ...
  • نمایش کامل مراجع