پهنه بندی فضایی بارش سالانه ایران با استفاده از مدل عصبی مصنوعی - فازی ANFIS-FCM
Publish place: Journal of Water and Soil Science، Vol: 26، Issue: 4
Publish Year: 1401
نوع سند: مقاله ژورنالی
زبان: Persian
View: 124
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_JWSS-26-4_004
تاریخ نمایه سازی: 22 اسفند 1401
Abstract:
بارش یکی از مهم ترین فراسنج های آب و هوایی است که چگونگی پراکنش و مقادیر آن در نواحی مختلف، برایند روابط پیچیده خطی و غیرخطی بین عناصر جوی – فرایندهای اقلیمی و ساختار فضایی محیط سطح زمین است. طبقه بندی داده ها و قرارگیری آنها در پهنه های کوچک و متجانس می تواند در بهبود درک این روابط پیچیده و نتایج حاصل از آنها موثر باشد. در پژوهش حاضر با استفاده از داده های بارش سالانه ۳۴۲۳ ایستگاه همدیدی، اقلیم شناسی و باران سنجی ایران در دوره ۱۹۶۱ – ۲۰۱۵ و داده های ارتفاع، شیب، جهت شیب و تراکم ایستگاهی تلاش شد تا چگونگی پراکنش بارش کشور در ارتباط با عوامل محیطی پهنه بندی شده و مورد تحلیل قرار گیرد. بدین منظور بعد از استاندارد سازی و آماده سازی ماتریس داده ها، تعداد بهینه خوشه ها مشخص و مجموعه داده ها به مدل شبکه عصبی– فازی (ANFIS-FCM) وارد شد. بررسی نتایج نشان داد که مقادیر شاخص های و MAE به ترتیب ۰/۷۶ و ۰/۲۳ بوده که حاکی از دقت مناسب مدل است. همچنین مشخص شد در پهنه های چهارگانه خروجی مدل، عوامل محیطی از اثرگذاری بالایی در پراکنش فضایی فراسنج بارش برخوردار هستند. در پهنه های اول و سوم، ترکیب عوامل ارتفاع و شیب زیاد به همراه مجاورت جغرافیایی با سامانه های بارشی، موجب شده متوسط مقدار بارش سالانه در این پهنه ها به ترتیب ۳۱۸ و ۱۸۱ میلی متر باشد؛ در حالی که با تضعیف نقش عوامل محیطی در خوشه های دوم و چهارم، متوسط بارش سالانه به حدود ۱۰۰ میلی متر کاهش یافته است.
Keywords:
Neural network , Fuzzy logic , Membership function , Clustering , Precipitation , Iran. , شبکه عصبی , منطق فازی , تابع عضویت , خوشه بندی , بارش , ایران.
Authors
علی شاهبایی کوتنایی
Zanjan University
حسین عساکره
Zanjan University
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 :