پایش و مدل سازی تغییرات سطحی دریاچه ارومیه با استفاده از شبکه عصبی مصنوعی
Publish place: The Journal of Environmental Studies، Vol: 46، Issue: 2
Publish Year: 1399
نوع سند: مقاله ژورنالی
زبان: Persian
View: 257
This Paper With 23 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_JESJ-46-2_004
تاریخ نمایه سازی: 9 آذر 1401
Abstract:
دریاچه ارومیه یکی از بزرگترین پهنه های آبی شور در جهان است که در سال های اخیر در شرایط بحرانی قرار داشته است. در این مطالعه، تغییرات این دریاچه و حوضه آبخیز آن بررسی گردید. سپس قابلیت های شبکه ی عصبی مصنوعی در پیش بینی تغییرات سطحی دریاچه مورد ارزیابی قرار گرفت. بدین ترتیب با استفاده از داده های سنجنده TRMM، مدل هیدرولوژیکی GLDAS، سنجنده GRACE، سری ماهواره های ارتفاع سنجی Jason و همچنین تصاویر MODIS به ترتیب میزان بارش، تغییرات احجام آبی سطحی و زیر سطحی (TWS)، تغییرات ارتفاعی و سطحی دریاچه ارومیه در بازه ۱۸۳ ماه بین آوریل ۲۰۰۲ تا ژوئن ۲۰۱۷ محاسبه گردید. در ادامه با استفاده از دو روش مبتنی بر یادگیری ماشین MLP و LSTM و به کارگیری پارامترهای موثر بر تغییرات سطحی دریاچه به عنوان ورودی شبکه، تغییرات سطحی دریاچه با جذر خطای مربعات مانده های ۰۵۱۱/۰ توسط شبکه بهینه LSTM مدل سازی شد. همچنین به منظور پیش بینی تغییرات سطحی دریاچه برای مدت زمان طولانی تر، چهار مدل برای تخمین تغییرات ۳، ۶، ۹ و ۱۲ ماه بعد، تشکیل شدند که در نتیجه آن، شبکه LSTM این تغییرات را برای یک سال آینده با دقتی بالا (جذر خطای مربعات مانده های ۰۸۸۲/۰) و توانایی مناسب در شناسایی تغییرات فصلی، تخمین زد.
Keywords:
Authors
علی رادمان
گروه فتوگرامتری و سنجش از دور، دانشکده مهندسی نقشه برداری و اطلاعات مکانی، پردیس دانشکده های فنی، دانشگاه تهران
مهدی آخوندزاده هنزائی
استادیار گرایش سنجش از دور، گروه مهندسی نقشه برداری، پردیس دانشکده های فنی، دانشگاه 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 :