پیشبینی بارش ماهیانه تربت حیدریه به کمک شبکه های عصبی و ترکیب خبرهها
سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 766
فایل این مقاله در 16 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
IGIS01_020
تاریخ نمایه سازی: 9 فروردین 1395
چکیده مقاله:
بارش یکی از مهمترین اجزای چرخه آب بوده و در سنجش خصوصیات اقلیمی هر منطقه، نقش بسیار مهمی ایفا میکند . پیشبینی بلند مدت بارش در برنامهریزی و مدیریت منابع آب، به ویژه در مناطق با اقلیم خشک و نیمه خشک، از اهمیت بالایی برخوردار است. این پیشبینیدر هر منطقه نیازمند وجود دادههای دقیق اندازهگیری شدهای مانند، رطوبت، دما، فشار، سرعت باد و غیره است. بارش، پدیدهای بسیارپیچیده، غیرخطی و نسبت به زمان و مکان متغیر میباشد. در این پژوهش، جهت پیشبینی بارندگی ماهانه تربتحیدریه از دادههای بارش روزانه طی دورهی آماری26ساله 1368-1394 و ترکیب شبکه عصبی مصنوعی به عنوان یک روش غیرخطی استفاده شده است شبکههای مورد استفاده از نوع پرسپترون چند لایهMLP است و تکنیک یادگیری آن لونبرگ مارکوات LM میباشد. همچنین از روش طبقهبندی و ترکیب خروجی در تصحیح نتایج )ترکیب دستهبندی کنندهها( استفاده شد. بدینترتیب 08 درصد دادهها به عنوان دادههای مرحله آموزش و 08 درصد دادهها به عنوان دادههای ارزیابی شبکه مورد استفاده قرار گرفته است. برای ساخت شبکهها از امکانات موجود در محیط برنامهنویسی متلب بهره گرفته شده است. عملکرد شبکهها از طریق معیارهای آماری از جمله مجذور متوسط خطا RMSE سنجیدهشد. نتایج تحقیق نشان داد که استفاده از ترکیب خبرهها بجای استفاده از یک خبره نتایج نسبتاً بهتری را در پیش بینی بارش به همراه دارد
کلیدواژه ها:
نویسندگان
سیداحسان یثربی نایینی
عضو هیات علمی گروه کامپیوتر دانشگاه تربت حیدریه
ایمان ذباح
عضو هیأت علمی گروه کامپیوتر دانشگاه آزاد اسلامی تربت حیدریه
مینا موسوی
دانشجوی کارشناسی گروه کامپیوتردانشگاه تربت حیدریه
نجمه رحیمی
دانشجوی کارشناسی گروه کامپیوتردانشگاه تربت حیدریه
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 :