مدل برآورد مکانی بارش در زاگرس میانی با استفاده از شبکه های عصبی مصنوعی (ANN)

سال انتشار: 1393
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 542

فایل این مقاله در 7 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:

ICGS01_016

تاریخ نمایه سازی: 6 آذر 1393

چکیده مقاله:

از مهمترین مسائل مربوط به مناطق کوهستانی تحلیل رابطه بارش و ارتفاع و همچنین ارائه یک مدل مطلوب است که بتواند به بهترین شکل تغییرات بارش را تخمین زده و بتواند میزان بارش در مناطق فاقد بارش را به بهرتین نحو تخمین بزند. در این مطالعه سعی شده است از طریق شبکه های عصبی مصنوعی و ارائه بهترین ساختار شبکه به براورد مکانی بارش در منطقه زاگرس میانی پرداخته شود. به این منظور در ابتدا کلیه داده های در دست رس مربوط به بارندگی (اعم از باران سنجی، همدید، و کلیماتولوژی) در دوره آماری 1995-2007 جمع آوری گردید. علاوه بر متغیر بارش که به عنوان متغیر هدف به شبکه معرفی گردید متغیرهای طول و عرض جغرافیایی ، ارتفاع، میزان شیب، فاصله از نقطه ارتفاعی 2300 متر و بیشتر، فاصله از خط الراس، فاصله از خلیح فارس و فاصله از دریای مدیترانه که دارای همبستگی معنی دار با میزان بارش در زاگرس میانی بوده اند به عنوان ورودی های شبکه برای برآورد مکانی بارش به شبکه معرفی گردیدند. آماره های میانگین قدر مطلق خطا (MAE)، مجذور میانگین مربعات خطا (RMSE) و ضریب تعیین (R^2) به منظور ارزیابی عملکرد شبکه استفاده شد نتایج نشان می دهد که شبکه های عصبی مصنوعی پرسپترون چند لایه با الگوریتم پس انتشار دارای بهترین عملکرد در برآورد مکانی بارش در زاگرس میانی است. همچنین آرایش 1-12-3 با فانون آموزش مارکوات لونبرگ و تابع محرک سیگموئید به ترتیب با مقادیر MAE، RMSE و 0/09R^2 ، و 0/076 و 0/79 دارای بهترین عملکرد در آرایش های پیشنهادی در این مطالعه می باشد. بطور کلی مقایسه عملکرد شبکه عصبی مصنوعی با داده های واقعی بارش نشان می دهد که دقت شبکه عصبی مصنوعی در حد قابل قبولی است. همچنین مشخص گردید که تعداد نرون ها در لایه میانی از قانون خاصی تبعیت نکرده و شبکه های عصبی مصنوعی نسبت به ورودی های مدل حساس بوده و در صورت ورود متغیرهای بی معنی ، تناسب عملکرد شبکه کاهش پیدا می کند.

نویسندگان

محمد سعید نجفی

دانشجوی دکتری اقلیم شناسی دانشگاه تبریز

پیمان شیراوند

کارشناس ارشد اقلیم شناسی دانشگاه تهران

مجتبی فخاری

دانشجوی دکتری اقلیم شناسی دانشگاه تبریز

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 :
  • _ ابیانه، حمید رضا؛ بیات ورکشی، مریم، معروفی، صفر و ...
  • _ البرزی، محمود، 1380، آشنایی با شبکه های عصبی مصنوعی ...
  • _ _ طیب و عزیزی، قاسم، 1386، منطقه بندی غرب ...
  • _ ساری صراف بهروز, رجایی عبدالحمید, مصری علمداری پریچهر، 1388، ...
  • _ ساری صراف بهروزرجایی عبدالحمید, مصری علمداری پریچهر، 1389، نقش ...
  • مقایسه عملکرد شبکه عصبی مصنوعی با سایر روشها در برآورد مکانی بارندگی روزانه [مقاله کنفرانسی]
  • _ عساکره، حسین، 1383، مدلسازی تغیییرات مکانی عناصر اقلیمی (مطالعه ...
  • _ عزبزی، قاسم؛ عباسپور، رحیم علی؛ صفرراد، طاهر، 1389، مدل ...
  • _ فقیه، همایون، 1389، ارزیابی کاربرد شبکه عصبیب مصنوعی و ...
  • _ قلی زاده، هحمد حسین؛ دارند، محمد، 1389، پیش بینی ...
  • _ مسعودیان، سید ابوالفضل، 1377، بررسی تغییرات مکانی و فضایی ...
  • _ مجرد، فیروز؛ مرادی فر، حاجی مراد، 1382، مدلسازی رابطه ...
  • T., 2008, A Multivariate Regression Model for Predicting Precipitation i ...
  • اردیبهشت 1393، دانشکده جغرافیا، موسسه جغرافیا ...
  • Alijani, B., Brien, J.O., and Yarnal, B., 2008, Spatial Analysis ...
  • Alijani, B., 2008, Effect of the Zagros Mountains on the ...
  • Ramirez, M. C. V., H. F. C. Velho and N. ...
  • نمایش کامل مراجع