تعداد نشریات | 23 |
تعداد شمارهها | 383 |
تعداد مقالات | 3,036 |
تعداد مشاهده مقاله | 2,760,813 |
تعداد دریافت فایل اصل مقاله | 1,950,058 |
پیشبینی بارشهای سالانه در ایستگاههای سینوپتیک کرمانشاه و نوژۀ همدان با استفاده از شبکۀ عصبی مصنوعی | ||
جغرافیا و پایداری محیط | ||
مقاله 2، دوره 4، شماره 1 - شماره پیاپی 10، خرداد 1393، صفحه 13-27 اصل مقاله (1.09 M) | ||
نویسندگان | ||
فیروز مجرد* 1؛ غلامرضا زاهدی2؛ حمیدرضا الفت میری3 | ||
1دانشیار اقلیمشناسی، دانشگاه رازی، کرمانشاه | ||
2استادیار مهندسی شیمی، دانشگاه رازی، کرمانشاه | ||
3کارشناس ارشد اقلیمشناسی، دانشگاه رازی، کرمانشاه | ||
چکیده | ||
اهمّیّت پیشبینی بارش به عنوان مهمترین عنصر اقلیمی و مبنای تمام برنامهریزیها، بهویژه در مناطقی که رژیمهای بارش تغییرات معنیدار دارد، بر هیچکس پوشیده نیست. استفاده از شبکههای عصبی مصنوعی یکی از روشهای پیشبینی است که در سالهای اخیر توسعۀ زیادی یافته است. در این پژوهش برای پیشبینی بارشهای سال بعد در دو ایستگاه سینوپتیک کرمانشاه و نوژۀ همدان از دادههای برخی از عناصر اقلیمی فصول سرد سال قبل استفاده شد. به این منظور، سریهای زمانی هفت عنصر اقلیمی شامل میانگین دما، بارش، رطوبت نسبی، نسبت مخلوط، فشار بخار، دمای نقطۀ شبنم و فشار سطح دریا به عنوان ورودی به شبکههای عصبی وارد گردید. خروجی شبکهها، بارش سال بعد در نظر گرفته شد. با توجّه به ماهیت غیرخطّی عناصر اقلیمی منتخب در این تحقیق، از شبکههای پرسپترون چندلایهاستفاده شد که از انواع شبکههای پیشرو با الگوریتمهای آموزشی نظارتی و مناسب دادههای غیرخطّی است. برای آموزش شبکهها از دو ردۀ الگوریتم آموزشی دیگر، شامل الگوریتمهای آموزشیBP و الگوریتم نرمالسازی اعداد استفاده شد. در نهایت، ترکیب این الگوریتمها منجر به تولید 720 شبکۀ آموزشی در دو ایستگاه شد. نتایج تحقیق نشان داد شبکۀ عصبی مصنوعی در هر دو ایستگاه به طرز مناسبی مقادیر بارش سالانه را پیشبینی میکند. بهترین پیشبینی در ایستگاه کرمانشاه مربوط به تابع آموزشیtraingd با الگوریتم نرمالسازی میانگین و انحراف معیار با خطای آزمایش معادل 0195/0 در دورۀ سرد سال (پاییز و زمستان)، و در ایستگاه نوژۀ همدان مربوط به تابع آموزشی traingdx با الگوریتم نرمالسازی 06/0 pca با خطای آزمایش معادل 0047/0 در فصل زمستان است. | ||
کلیدواژهها | ||
بارش؛ شبکۀ عصبی مصنوعی؛ پیشبینی؛ کرمانشاه؛ نوژۀ همدان | ||
مراجع | ||
احمدی، اسماعیل (1382) طبقهبندی تغییرات بارش بوشهر با استفاده از شبکۀ عصبی مصنوعی مبتنی بر مدل خودسازمانده کوهونن، پایاننامۀ کارشناسی ارشد اقلیمشناسی، دانشگاه تربیتمعلم، دانشکدۀ علوم انسانی. اصغری مقدم، اصغر؛ نورانی، وحید؛ ندیری، عطاا... (1387) مدلسازی بارش دشت تبریز با استفاده از شبکۀ عصبی مصنوعی، دانش کشاورزی، 18، صص. 15-1. پکتین، فیل (1387) شبکههای عصبی، ترجمۀ میرمجتبی میرصالحی و حسین تقیزاده کاخکی، انتشارات دانشگاه فردوسی مشهد، مشهد. سبزیپرور، علیاکبر؛ بیات ورکشی، مریم (1389) ارزیابی دقّت روشهای شبکۀ عصبی مصنوعی و عصبی – فازی در شبیهسازی تابش کلّ خورشیدی، پژوهش فیزیک ایران، 10 (4)، صص. 357-347. شمس، شعله (1384) کاربرد شبکۀ عصبی مصنوعی در تجزیۀ زمانی بارندگی، پایاننامۀ کارشناسی ارشد، مهندسی عمران، دانشگاه صنعتی اصفهان. علیجانی، بهلول (1381) آبوهوای ایران، چاپ پنجم، انتشارات دانشگاه پیام نور، تهران. کیا، مصطفی (1387) شبکههای عصبی در MATLAB، انتشارات کیان رایانه سبز، تهران. محمودی، فرجاله؛ عظیمی، ناصر (1376) جغرافیای ایران، شرکت چاپ و نشر کتابهای درسی ایران، تهران. مساح بوانی، علیرضا؛ مرید، سعید (1384) اثرات تغییر اقلیم بر جریان رودخانۀ زایندهروداصفهان، علوم و فنون کشاورزی و منابع طبیعی، علوم آب و خاک، 9 (4)، صص. 28-17. منهاج، محمدباقر (1393) مبانیشبکههای عصبیهوشمحاسباتی، جلد اوّل، چاپ نهم، انتشارات دانشگاه امیرکبیر، تهران. ناصری، محمدحسن (1382) پیشبینی بارندگی در دامنۀ زمان و مکان با استفاده از شبکۀ عصبی مصنوعی و الگوریتم ژنتیک، پایاننامۀ کارشناسی ارشد گروه مهندسی عمران آب، دانشکدۀ فنّی، دانشگاه صنعتی اصفهان. Aytek, A., Asce, M., Alp, M. (2008) An Application of Artificial Intelligence for Rainfall–Runoff Modeling, Earth System Science, 117, pp. 145-155. Bhattacharya, B., Solomatine, D. P. (2000) Application of Artificial Neural Network in Stage-Discharge Relationship, Proc. 4th International Conference on Hydroinformatics, Iowa City, USA, July 2000. Bodri, L., Cermak, V. (2000) Prediction of Extreme Precipitation Using a Neural Network: Application to Summer Flood Occurrence in Moravia, Advances in Engineering Software, 31, pp. 311-321. Campbell, E. P. (2005) Statistical Modeling in Nonlinear Systems Climate, 18, pp. 3388-3399. El-Shafie1, A. H., El-Shafie, A., El Mazoghi, H. G., Shehata, A. Taha, M. R., (2011) Artificial Neural Network Technique for Rainfall Forecasting Applied to Alexandria, Egypt, International Journal of the Physical Sciences 6 (6), pp. 1306-1316. Kin, C., Luk, J., sharma, A. (2001) An Application of Artificial Neural Networks for Rainfall Forecasting, Mathematical and Computer Modeling, 33, pp. 699-883. Kisi, O., Cobaner, M., (2009) Modeling River Stage-Discharge Relationship Using Different Neural Network Computing Techniques, Clean, 37 (2), pp. 160-169. Luk, K. C., Ball, J. E., Sharma, A. (2000) A Study of Optimal Model Lag and Spatial Inputs to Artificial Neural Network for Rainfall Forecasting, Hydrology, 227, pp. 56–65. Moustris, K. P., Larissi, I. K., Nastos, P. T., Paliatsos, A. G. (2011) Precipitation forecast Using Artificial Neural Networks in Specific Regions of Greece, Water Resour Manage, 25, pp. 1979-1993. Nasseri, M., Asghari, K., Abedini, M. J. (2008) Optimized Scenario for Rainfall Forecasting Using Genetic Algorithm Coupled with Artificial Neural Network, Expert Systems with Application, 35, pp. 1415-1421. Nkuna, T.R., Odiyo, J. O. (2011) Filling of Missing Rainfall Data in Luvuvhu River Catchment Using Artificial Neural Networks, Physics and Chemistry of the Earth, 36, pp. 830-835. Philip, N. S., Joseph, K. B. (2003) A Neural Network Tool For Analyzing Trends in Rainfall, Computer & Geosciences, 29, pp. 215-223. Ramirez, M. C. V., Velho, H. F. C., Ferreira, N. J. (2005) Artificial Neural Network Technique for Rainfall Forecasting Applied tothe Sao Paulo Region, Hydrology, 301, pp. 146-162. Riad, S., Mania, J., Bouchaou, L., Najjar, Y. (2004) Rainfall –Runoff Model Using an Artificial Neural Network Approach, Mathematical and Computer Modeling, 40, pp. 839-846. Srinivasulu, S., Jain, A. (2006) A Comparative Analysis of Training Methods for Artificial Neural Network Rainfall – Runoff Models, Applied Soft Computing, 6, pp. 295-306. Toth, E., Brath, A., Montanari, A. (2000) Comparison of Short-Term Rainfall Predication Models for Real-Time Flood Forecasting, Hydrology, 239, pp. 132-147. Wu, A., Hsieh, W. W., Shabbar, A. (2005) The Nonlinear Patterns of North American Winter Temperature and Precipitation Associated with ENSO, Climate, 18, pp. 1736-1752. Wu, C. L., Chau, K. W. (2011) Rainfall–Runoff Modeling Using Artificial Neural Network Coupled with Singular Spectrum Analysis, Hydrology, 399, pp. 394-409. Wu, C. L., Chau, K.W., Fan, C. (2010) Prediction of Rainfall Time Series Using Modular Artificial Neural Networks Coupled with Data-Preprocessing Techniques, Hydrology, 389, pp. 146-167. | ||
آمار تعداد مشاهده مقاله: 897 تعداد دریافت فایل اصل مقاله: 538 |