بررسی تاثیر عوامل اقلیمی در دقت پیشبینی خشکسالی مبتنی بر شبکه عصبی مصنوعی درمنطقه یزد
محل انتشار: پنجمین همایش ملی علوم و مهندسی آبخیزداری ایران
سال انتشار: 1388
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,313
فایل این مقاله در 12 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:
WATERSHED05_278
تاریخ نمایه سازی: 11 بهمن 1388
چکیده مقاله:
خشکسالی یک شکل طبیعی از اوضاع آب و هوایی است که تکرار آن در طول زمان امری اجتناب ناپذیر میباشد. هدف اصلی این تحقیق بررسی تاثیر نوع پارامترهای اقلیمی در پیشبینی خشکسالی با استفاده از شبکه عصبی مصنوعی در مناطق مختلف استان یزد است. در اغلب ایستگاههای هواشناسی منطقه یزد (ایستگاههای باران سنجی) تنها داده های مربوط به پارامتر بارش موجود می باشد، در حالی که ایستگاههای سینوپتیک علاوه بر بارش سایر پارامترهای هواشناسی از جمله دمای ماکزیمم، دمای متوسط، رطوبت نسبی، سرعت متوسط باد، جهت باد و میزان تبخیررا نیز دارا میباشند. در این تحقیق سعی گردید که نقش تعداد و نوع پارامترهای اقلیمی (به عنوان عوامل ورودی مدل) در دقت پیش بینی خشکسالی بر اساس شبکه های عصبی مصنوعی مورد ارزیابی قرار گیرد. منطقه مورد بررسی بخشی از استان یزد است که در بر گیرنده 13 ایستگاه کلیمالوژی و 1ایستگاه سینوپتیک است. جهت انجام این بررسی میانگین متحرک سه ساله بارش در تمام ایستگاهها محاسبه شد و سپس با
استفاده از مدل شبکه عصبی مصنوعی 1 (شبکه برگشتی با تاخیر زمانی 2)، میانگین متحرک بارش یک سال آینده پیشبینی گردید، که خود عامل اصلی ارزیابی وضعیت خشکسالی در سال آتی میباشد. علاوه بر آن در ایستگاه سینوپتیک یزد نیز شبیهسازی ها با ترکیبات مختلفی از ورودیها انجام گرفت. بررسیها نشان داد علی رغم این که در 13 ایستگاه بارانسنجی منطقه به جز بارش سایر پارامترهای هواشناسی موجود نبود وشبیه سازیها تنها با یک ورودی (بارش) انجام گرفت، اما در برخی ایستگاهها نتایج قابل قبولی بدست آمد که حتی ضریب کارایی آن بسیار نزدیک به ایستگاه یزد (با ورودیهای مختلف) محاسبه گردید.البته میزان درستی پیش بینیها هنگامی که فقط از یک عامل ورودی در مدل استفاده شده است از ایستگاهی به ایستگاه دیگر متفاوت بوده است. نتایج بدست آمده گویای انعطاف پذیری قابل ملاحظه مدلهای شبکه عصبی مصنوعی است که آنها را به ابزار مناسبی جهت مدلسازی در شرایطی که با فقر داده مواجه هستیم مبدل میسازد.
کلیدواژه ها:
نویسندگان
حمیده افخمی
دانشجوی کارشناسی ارشد آبخیزداری، دانشکده منابع طبیعی و کویر شناسی، دا
محمدتقی دستورانی
استادیار، دانشکده منابع طبیعی و کویر شناسی، دانشگاه یزد
حسین ملکی نژاد
استادیار، دانشکده منابع طبیعی و کویر شناسی، دانشگاه یزد
محمدحسین مبین
استادیار، دانشکده منابع طبیعی و کویر شناسی، دانشگاه یزد
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 :