پیش آگاهی بلندمدت بارش با استفاده از سیستم شبکه ی عصبی مطالعه ی موردی: حوضه ی کارون بزرگ
Publish Year: 1399
نوع سند: مقاله ژورنالی
زبان: Persian
View: 290
This Paper With 18 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:
JR_JGSKH-20-59_005
تاریخ نمایه سازی: 24 خرداد 1400
Abstract:
پیش بینی بارش در مدیریت و هشدار سیل نقش مهمی بر عهده دارد و با اطلاع از میزان بارندگی می توان امکان وقوع سیل را در یک منطقه پیش بینی و اقدامات لازم را به عمل آورد. به دلیل اینکه بارشهای سه ماه ژانویه، فوریه و مارس در اکثر مواقع سیل آسا می باشند و همچنین بیشتر بارشها در این سه ماه رخ می دهند، لذا در این پژوهش به بررسی عوامل موثر بر بارش و مدل سازی این سه ماه پرداخته شد. برای مدل سازی بارش از داده های بارش ماهانه ی ایستگاه همدید و بارانسنجی در بازه ی آماری (۲۰۱۴-۱۹۸۴) به مدت ۳۰ سال بعنوان متغیر وابسته و شاخصهای اقلیمی، سیگنالهای بزرگ مقیاس اقلیمی شامل؛ دمای سطح دریا و دمای ۱۰۰۰ میلی باری، هم ارتفاع تراز ۵۰۰ میلی باری ، امگای ۲۰۰ میلی باری و عناصر اقلیمی بعنوان متغیر مستقل استفاده شده است. به دلیل رفتار غیرخطی بارش از شبکه های عصبی مصنوعی جهت مدل سازی بهره گرفته شد. جهت مشخص شدن بهترین معماری برای ورود به شبکه ی عصبی از تحلیل عاملی استفاده شد. برای پیش بینی بارش از داده هایی که بیشترین ارتباط را با بارش نشان دادند بصورت چهار الگو استفاده گردید که در ماه ژانویه الگوی چهارم با خطای آنتروپی ۰۴۵/۰، تعداد لایه های ورودی ۹۱ واحد ، بهترین آرایش ۱۵-۱ و ضریب همبستگی ۹۴ درصد بود. در ماه فوریه، الگوی سوم با ضریب همبستگی ۹۷ درصد، خطای آنتروپی ۰۳۶/. درصد ، تعداد واحدهای ورودی ۸ واحد و بهترین نوع آرایش لایه ی پنهان ۱۰-۱ بود. بارش ماه مارس با تمام الگوها ضریب پیش آگاهی بالا بود که الگوی اول با خطای آنتروپی ۰۳۸/.، تعداد واحدهای ورودی ۶۷، نوع آرایش لایه ی پنهان، ۱۷-۱، ضریب همبستگی ۹۸ درصد بود.
Keywords:
Authors
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 :