عدم قطعیت شبکه عصبی مصنوعی در تخمین تبخیر روزانه (مطالعه موردی: ایستگاه های رشت و منجیل)
Publish place: Journal of Watershed Management Research، Vol: 10، Issue: 19
Publish Year: 1398
نوع سند: مقاله ژورنالی
زبان: Persian
View: 216
This Paper With 12 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_JWMR-10-19_001
تاریخ نمایه سازی: 4 مهر 1400
Abstract:
در این تحقیق کاربرد شبکه عصبی پرسپترون چندلایه (MLP) برای پیش بینی تبخیر روزانه در دو ایستگاه سینوپتیک رشت و منجیل واقع در استان گیلان در شمال ایران بررسی گردیده است. ابتدا با استفاده از آزمون گاما مهمترین ترکیب از پارامترهای هواشناسی برای هر دو ایستگاه شناسایی و مدلسازی براساس ترکیب بهینه صورت گرفت. نتایج مدل شبکه عصبی مصنوعی- آزمون گاما (ANN-GT) با استفاده از معیارهای ارزیابی مدل همچون مجذور میانگین مربعات خطا (RMSE) ضریب همبستگی (CC) و ضریب ناش-ساتکلیف (NS) ارزیابی شده است. نتایج نشان داد که مدل (ANN-GT) برای ایستگاه رشت با ضریب همبستگی ۸۶/۰، مجذور میانگین مربعات خطا ۹۵/۰، ضریب ناش-ساتکلیف ۷۴/۰ و ایستگاه منجیل با ضریب همبستگی ۹۴/۰، مجذور میانگین مربعات خطا ۵۸/۱، ضریب ناش-ساتکلیف ۸۹/۰، دارای عملکرد قابل قبولی در پیش بینی تبخیر روزانه می باشد. برای بررسی عدم قطعیت، درصدی از داده های مشاهده شده که در محدوده باند پیشبینی عدم قطعیت ۹۵ درصد (۹۵PPU) قرارگرفته اند (P-factor) و عرض متوسط باند (d-factor) برای مدل، مدنظر قرار داده شد. بنابر نتایج عدم قطعیت، عرض متوسط باند عدم قطعیت (d-factor) برای ایستگاه رشت (۳۰/۰) و برای منجیل (۳۳/۰) برآورد شد. این امر حاکی از عدم قطعیت پایین مدل شبکه عصبی مصنوعی-آزمون گاما (ANN-GT) در پیش بینی تبخیر روزانه برای هر دو ایستگاه می باشد. همچنین درصد داده های مشاهداتی در باند (۹۵PPU) برای رشت ۲۵ و برای منجیل ۴۵ درصد بهدست آمد. دلیل پایین بودن این مقادیر رامی توان، وجود عدم قطعیت های کوچک در پارامترها ذکر کرد.
Keywords:
Authors
سید مصطفی بی آزار
Water Resources, University of Tabriz Tabriz university
محمد علی قربانی
Water Resources, University of Tabriz Tabriz university
کاکا شاهدی
Sari University of Agricultural Sciences and Natural Resources
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 :