مقایسه دقت شبکه عصبی مصنوعی و رگرسیون خطی چند متغیره در پیش بینی بارندگی سالانه زاهدان وخاش
- سال انتشار: 1397
- محل انتشار: اولین کنفرانس ملی توسعه پایدار در علوم کشاورزی و منابع طبیعی با محوریت فرهنگ زیست محیطی
- کد COI اختصاصی: NSCONF01_052
- زبان مقاله: فارسی
- تعداد مشاهده: 659
نویسندگان
دانشجوی کارشناس ارشد آبخیزداری دانشگاه زابل
دانشیار گروه مرتع وآبخیزداری دانشگاه زابل
مربی گروه آبیاری و زهکشی دانشگاه زابل
چکیده
برنامه ریزی و مدیریت در اغلب پروژه های منابع آب از قبیل سدها، مخازن، مهار سیلابها و کشاورزی نیاز به پیش بینی بارندگی در فواصل حداقل یک ماهه دارد. در این پژوهش کارایی مدل شبکه عصبی نسبت به رگرسیون خطی چند متغیره درپیش بینی بارندگی سالانه براساس داده های 30 سال مورد بررسی قرارگرفت. پس از رفع نواقص آماری و حذف داده های پرت، از آنها برای مدلسازی بارش با استفاده از روش شبکه عصبی مصنوعیANN و و روش رگرسیون خطی استفاده شد(استاندارد سازی داده ها). در پیشبینی توسط مدل هوشمند ANN ، متغیرهای تبخیر، میانگین دما، میانگین رطوبت و میانگین سرعت باد به عنوان ورودی انتخاب شدند و بارندگی نیز به عنوان خروجی مدل در نظر گرفته شده است به این منظور مشخصات شبکه، مانند تعداد لایه های پنهان، تعداد نرونهای موجود در هر لایه پنهان، تابع فعالیت و الگوریتم آموزش با استفاده از بسته نرم افزاری MATLAB تعیین شد همچنین پیش بینی بارندگی ازطریق روشهای رگرسیون خطی در محیط نرم افزاری DATA FIT صورت گرفت نتیجه حاصل از برآورد بارندگی نشان از دقت خوب این مدل ها در تخمین بارندگی دارد و در بین آنها شبکه عصبی برآورد بهتری داشت. بطوریکه بر اساس نتایج آنالیز آماری در سه مرحله آزمایش با شبکه عصبی مقادیر معیارهایRMSE و MAE و D وR2 به ترتیب محاسبه گردید وبرای مدل شبکه عصبی این مقادیر کمتر از رگرسیون خطی چند متغیره میباشد،که نشان دهنده دقت بالای این مدل میباشد. براین اساس پیشنهاد میگردد جهت تخمین و پیشبینی بهتر بارندگی سالانه در این شهرها از روشهای پیش بینی بوسیله هوش مصنوعی استفاده گردد. در شبیه سازی با شبکه عصبی همبستگی خطی بین مقادیر پیش بینی شده بارش با مقادیر واقعی نبست به رگرسیون بیشتر میباشد. (دلیل برتری مدل شبکه عصبی)کلیدواژه ها
پیش بینی بارش، شبکه عصبی مصنوعی، رگرسیون خطی چند متغیرهمقالات مرتبط جدید
- استفاده از مواد دوست دار محیطزیست بهعنوان جایگزین برای صنعت بستهبندی مواد غذایی
- مروری بر کاربرد چارچوبهای فلزی-آلی در جذب دیاکسید کربن
- کنترل بهینه یک مدل دینامیکی امکانات و تسهیلات گردشگری در جهت توسعه پایدار مبتنی بر تاثیرات عوامل محیطی
- بررسی موانع پیاده سازی استانداردهایISO با تاکید بر مدیریت سبز با استفاده از شبکههای عصبی عمیق کانولوشن
- استخراج رمزارز و چالش های آلودگی محیط زیست
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.