کاربرد شبکه های عصبی آماری، فازی و پرسپترونی در پیش بینی خشکسالی(مطالعه موردی: ایستگاه گنبد کاووس)

سال انتشار: 1395
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 370

فایل این مقاله در 13 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:

JR_JSW-30-1_021

تاریخ نمایه سازی: 2 آبان 1396

چکیده مقاله:

درک صحیح زمان شروع خشکسالی در هر منطقه به مدیریت و کاهش خسارت های ناشی از خشکسالی کمک شایانی می کند. هدف این تحقیق، پایش و پیش بینی خشکسالی در ایستگاه گنبدکاووس در مقیاس های زمانی کوتاه مدت، میانمدت و بلندمدت است. بدین منظور شاخص بارندگی استاندارد SPI در مقیاس های زمانی 1، 3، 6، 9، 12، 24 ماهه مورد استفاده قرار گرفت. برای محاسبه SPI از آمار ماهانه بارندگی این ایستگاه، در طی سال های آبی 1351-52 تا 86-1385 استفاده شد. پس از پایش خشکسالی، بر اساس سری زمانی SPI با استفاده از چهار روش هوش مصنوعی شامل شبکه عصبی پرسپترون چند لایه MLP سیستم استنباط عصبی-فازی تطبیقی ANFIS، شبکه عصبی مبتنی بر توابع پایه شعاعی RBF و شبکه عصبی رگرسیون تعمیم یافته GRNN اقدام به پیش بینی خشکسالی گردید. نتایج مربوط به پایش نشان داد، چهار دوره طولانی مدت خشکسالی مربوط به سال های 53-58، 60-62، 67-70 و 73-76 در طول دوره آماری وجود دارد. در قسمت پیش بینی، نتایج حاکی از افزایش دقت پیش بینی ها، با افزایش مقیاس محاسبه SPI بود؛ به نحوی که بر اساس نتایج حاصل از مدل MLP ضریب همبستگی بین مقاد یر مشاهداتی SPI و مقادیر پیش بینی شده آن، برای SPI1 و SPI24 به ترتیب 0/009 و 0/949 بوده است . همچنین با توجه به نتایج مدل های RBF ،ANFIS و GRNN ترتیب ضریب همبستگی مربوط پیش بینی مقادیر SPI1 و SPI24 تا 0/925 ، 0/263، تا 0/953، 0/210، تا 0/955 متغیر بود. درمجموع با مقایسه نتایج مدل های مورد استفاده ANFIS بهترین عملکرد و بعد از آن GRNN بهترین نتایج را ارایه نموده است

کلیدواژه ها:

توابع پایه شعاعی ، شاخص بارندگی استاندارد ، سیستم استنباط عصبی-فازی تطبیقی ، هوش مصنوعی

نویسندگان

سید محمد حسینی موغاری

دانشجوی دکتری مهندسی منابع آب

شهاب عراقی نژاد

استادیار گروه مهندسی آبیاری و آبادانی، دانشکده مهندسی و فناوری کشاورزی، پردیس کشاورزی و منابع طبیعی،دانشگاه تهران