مقایسه کارآمدی چهار روش هوش مصنوعی در پیش بینی خشک سالی
Publish Year: 1400
نوع سند: مقاله ژورنالی
زبان: Persian
View: 461
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_JSAEH-8-3_009
تاریخ نمایه سازی: 17 فروردین 1401
Abstract:
خشک سالی یک اختلال موقتی است که خصوصیات آن از منطقهای با منطقه دیگر متفاوت است، از این رو نمیتوان تعریف جامع و مطلق برای خشک سالی بیان نمود.در تحقیق حاضر، به منظور معرفی یک روش مناسب جهت پیشبینی خشکسالی برای یک ماه آتی، چهار روش هوش مصنوعی شامل یادگیری عمیق (Deeplearning) (از شبکه الکسنت که یکی از شبکههای کانولوشن میباشد استفاده شده است)، الگوریتم K نزدیکترین همسایه (KNN)، ماشین برداد پشتیبان چند طبقه (SVM-MultiClass) و درخت تصمیم (Decision Tree) در نظر گرفته شد. دادههای بارندگی ۱۱ ایستگاه سینوتیک استان یزد طی دوره آماری ۲۹ ساله (۱۹۸۸ تا ۲۰۱۷) به صورت ماهانه به عنوان دادههای آزمایشی مورد استفاده قرار گرفتند. شاخص بارش استاندارد شده (SPI) برای نشان دادن وضعیت خشکسالی از نظر شدت و مدت در مقیاسهای زمانی ۱، ۳، ۶، ۹، ۱۲ و ۲۴ ماهه محاسبه گردید. در ابتدا دادههای بارش به عنوان ورودی شبکههای عصبی و کلاسبندی SPI به عنوان خروجی شبکهها قرار داده شد. ۸۰ درصد دادهها برای آموزش و۲۰ درصد دادهها برای تست شبکهها به کار گرفته شد. نتایج نشان داد که تمامی شبکهها توانایی پیشبینی خشکسالی را داشتهاند، بر اساس معیار ارزیابی macro-f۱ شبکه Deeplearning در مقیاس زمانی ۱ ماهه با ۷۱/۲۲ درصد، ناکارآمدترین روش و Decision Tree با ۶۵/۶۴ درصد، کارآمدترین روش بودهاند، اما با افزایش مقیاس زمانی، شبکه Deeplearning عملکرد خود را بهبود بخشید، بهطوریکه در مقیاس زمانی ۲۴ ماهه با ۳۵/۶۵ درصد، بهترین عملکرد مربوط به شبکه Deeplearning و بعد از آن، شبکه SVM-MultiClass با ۴۰/۵۷ درصد، قرار گرفت.
Keywords:
Drought , Standardized Precipitation Index , Artificial Intelligence , Deep Learning , Alexent , Recarence Plot , خشک سالی , شاخص بارش استاندار شده , هوش مصنوعی , یادگیری عمیق , الکس نت , ریکارنس پلات
Authors
لاله شریفی پور
Ardakan University
محمد جواد قانعی بافقی
Ardakan University
محمد رضا کوثری
Soil Conservation and Watershed Management
ساسان شریفی پور
Malek Ashtar University of Technology
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 :