بررسی روند و پیش بینی بارش با استفاده از شبکه عصبی مصنوعی در کاشان
Publish Year: 1401
نوع سند: مقاله ژورنالی
زبان: Persian
View: 132
This Paper With 15 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_GRD-10-2_004
تاریخ نمایه سازی: 20 دی 1401
Abstract:
بارش باران جز مهم ترین پدیده های جوی است که بر زندگی بشر، پوشش گیاهی و جانوری تاثیر می گذارد. پیش بینی بارش باران برای اهداف مختلفی مانند فعالیت های کشاورزی، پیش بینی سیلاب، تامین آب شرب و بسیاری از موارد از اهمیت بسیار بالایی برخوردار است. هدف این پژوهش بررسی روند و پیش بینی بارش ایستگاه کاشان طی دوره ۴۹ ساله (۱۳۵۰-۱۳۹۸) است. بنابراین ابتدا داده ها بارش گردآوری و سپس به صورت میانگین فصلی و سالانه تنظیم شدند. در ادامه با استفاده از روش من-کندال معنی داری روند بارش و با استفاده از روش برآورد کننده شیب خط سنس، میزان شیب خط روند، آزمون شد. طبق نتایج در سری های زمانی میانگین بارش کاشان روند معنی داری در سطوح اطمینان ۹۹% و ۹۵% مشاهده نگردید؛ اما بااین حال میانگین بارش کاشان به طور متوسط در هرسال حدود ۶۰/۰ میلی متر کاهش یافته است. همچنین با استفاده از روش شبکه عصبی مصنوعی داده های بارش جهت پیش بینی بررسی شد. طبق نتایج بعد از آزمون شبکه ۲ لایه پنهان و ۱۰ نرون در لایه های میانی مدل نسبتا بهتری را ارائه کرد. با بررسی و تطبیق مقادیر نمودار همبستگی مشخص گردید پیش بینی بارش برای ایستگاه کاشان با نتایج واقعی ایستگاه مطابقت کاملی نداشته است. همبستگی بین مقادیر واقعی و پیش بینی شده توسط شبکه برابر با ۴۷/۰ می باشد. همچنین ثابت شد مقادیر پیش بینی شده بارش توسط شبکه عصبی در ترکیب با الگوریتم ژنتیک نزدیک تر به داده های واقعی بارش و داده های پیش بینی شده توسط شبکه عصبی بدون ترکیب با الگوریتم ژنتیک از مقدار واقعی دورتر بوده و روند غیرخطی دارد. بنابراین بین میانگین های شبیه سازی شده بارش با مقدار واقعی در ایستگاه کاشان اختلافی فروانی وجود ندارد.
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 :