پیش بینی بلند مدت بارش با استفاده از مدل ترکیبی شبکه عصبی مصنوعی و سری فوریه با در نظر گرفتن سیگنال هواشناسیNAOدر حوزه معرف کسیلیان
Publish place: 4th Regional Conference on Climate Change
Publish Year: 1389
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 2,151
This Paper With 10 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
RCCC04_002
تاریخ نمایه سازی: 20 اسفند 1389
Abstract:
شبکه های عصبی مصنوعی اخیرا توجه بسیاری را در پیش بینی به خود معطوف کرده است ،و با توجه به اینکه تغییرات سالانه بارندگی از یک الگوی کمابیش متناوب پیروی می کند، مدلهای سری فوریه نیز برای پیش بینی تغییرات بارندگی سالانه به عنوان یک شیوه پیش بینی مورد توجه است. در این تحقیق برای پیش بینی بارش از داده های ماهانه بارندگی ایستگاه سنگده درحوضه معرف کسیلیان استفاده شده است روش ارائه شده شامل دو مرحله می باشد. در مرحله اول شبیه سازی بارش با استفاده از سری فوریه صورت می گیرد و در مرحله بعد مدل ترکیبی شبکه عصبی و سری فوریه برای پیش بینی میزان بارش به کار برده می شود که سیگنال هواشناسی NAO تبدیل شده به سال ابی 1349 تا 1386 ( و مقادیر مربوط به بارش ماهانه بعنوان پیش بینی کننده predictor جهت انجام مرحله آموزش بکار گرفته میشوند ورودی های شبکه عصبی در چهار سناریو اعمال شدند. نتایج حاصل از رانش مدل ترکیبی نشان داد بهترین انطباق مربوط به سناریوی با ورودیهای شاملNAO ماه قبل و بارش ماه قبل می باشد . به منظور مقایسه نتایجمدل ترکیبی با مدلهای ARIMA فوریه و ANFIS رانش این مدلها نیز با همان سناریو ها انجام شد که مدل ترکیبی از نظر انعطاف پذیری سرعت محاسببات و دقت مناسب نسبت به مدلهای کلاسیک آماری و سایر مدلهای احتمالاتی بجز ANFIS از مزیت بالاتری برخوردار بود.
Keywords:
پیش بینی ماهانه – شبکه عصبی مصنوعی - سری فوریه – سیگنال هواشناسی NAO , نروفازیANFIS
Authors
هدایت فهمی
مدیر گروه مطالعات جامع آب و آبفا ی وزارت نیرو
نشمین احمدیانی
کارشناسی ارشد هواشناسی دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper 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 Paper لینک شده اند :