مقایسه کارایی شبکه های عصبی آماری، فازی و پرسپترونی در پیش بینی طوفان های گردوغبار در نواحی بحرانی کشور

محمد انصاری قوجقار; مسعود پورغلام آمیجی; جواد بذرافشان; عبدالمجید لیاقت; شهاب عراقی نژاد

مقایسه کارایی شبکه های عصبی آماری، فازی و پرسپترونی در پیش بینی طوفان های گردوغبار در نواحی بحرانی کشور

Publish place: Iranian Journal of Soil and Water Research، Vol: 51، Issue: 8

Publish Year: 1399

Type: Journal paper

Language: Persian

This Paper With 13 Page And PDF Format Ready To Download

DOWNLOAD Paper

Certificate
I'm the author of the paper

این Paper در بخشهای موضوعی زیر دسته بندی شده است:

Export:

Link to this Paper:

https://civilica.com/doc/1663280

Document National Code:

JR_IJSWR-51-8_014

Index date: 23 May 2023

مقایسه کارایی شبکه های عصبی آماری، فازی و پرسپترونی در پیش بینی طوفان های گردوغبار در نواحی بحرانی کشور abstract

مناطق مختلف، استعدادهای متفاوتی در انتشار گردوغبار دارند و افزایش طوفان های گردوغبار نشان دهنده حاکمیت اکوسیستم بیابانی در هر منطقه است. درک صحیح وقوع طوفان های گردوغبار در هر منطقه، به مدیریت و کاهش خسارت های حاصل از گردوغبار کمک شایانی می کند. هدف از این تحقیق پیش بینی فراوانی روزهای همراه با طوفان های گردوغبار (FDSD) در مقیاس زمانی فصلی است. بدین منظور، با استفاده از داده های سینوپ ساعتی و کدهای گردوغبار سازمان جهانی هواشناسی، روز های همراه با طوفانهای گردوغبار در شش ایستگاه همدید زابل، آبادان، اهواز، زاهدان، بستان و مسجدسلیمان با طول دوره آماری ۲۵ ساله (۲۰۱۴-۱۹۹۰) تعیین شد. پس از محاسبه فراوانی تعداد روزهای همراه با طوفانهای گردوغبار و تشکیل سری های زمانی فصلی، با استفاده از چهار روش هوش مصنوعی شامل شبکه عصبی پرسپترونی چندلایه (MLP)، سیستم استنباط عصبی-فازی تطبیقی (ANFIS)، شبکه عصبی مبتنی بر توابع پایه شعاعی (RBF) و شبکه عصبی رگرسیون تعمیم یافته (GRNN) اقدام به پیش بینی فراوانی روزهای همراه با طوفان های گردوغبار در یک فصل بعد شد. نتایج حاکی از افزایش دقت پیش بینی ها در فصول همراه با تعداد بیشتر روزهای همراه با طوفان گردوغبار بود؛ به نحوی که بر اساس نتایج حاصل از مدل MLP، ضریب همبستگی بین مقادیر مشاهداتی و پیش بینی شده فراوانی روزهای همراه با طوفان گردوغبار برای ایستگاه مسجدسلیمان و زابل به ترتیب ۸/۰ و ۹۷/۰ بوده است. با این توضیح که زابل بیشترین فراوانی را در بین این ایستگاه ها دارد. همچنین با توجه به نتیجه مدل های ANFIS، RBF و GRNN به ترتیب ضریب همبستگی محاسبه شده برای پیش بینی در ایستگاه های مسجدسلیمان و زابل از ۴۱/۰ تا ۹۵/۰، ۳۵/۰ تا ۹۲/۰ و ۲۲/۰ تا ۹۸/۰ متغیر بود. در مجموع با مقایسه نتیجه مدل های مورد استفاده، ANFIS بهترین عملکرد و بعد از آن GRNN بهترین نتیجه را ارائه نموده است. نتایج این مطالعه می تواند در مدیریت پیامدهای ناشی از طوفان گردوغبار و برنامه های مقابله با بیابان زایی در مناطق تحت مطالعه مفید باشد.

مقایسه کارایی شبکه های عصبی آماری، فازی و پرسپترونی در پیش بینی طوفان های گردوغبار در نواحی بحرانی کشور Keywords:

پیش بینی , توابع پایه شعاعی , گردوغبار , سیستم استنباط عصبی-فازی تطبیقی , هوش مصنوعی

مقایسه کارایی شبکه های عصبی آماری، فازی و پرسپترونی در پیش بینی طوفان های گردوغبار در نواحی بحرانی کشور authors

محمد انصاری قوجقار

دانشجوی دکتری مهندسی منابع آب گروه مهندسی آبیاری و آبادانی، دانشگاه تهران ، کرج، ایران

مسعود پورغلام آمیجی

گروه مهندسی آبیاری و آبادانی، دانشکده مهندسی و فناوری کشاورزی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران.

جواد بذرافشان

گروه مهندسی آبیاری و آبادانی، دانشکده مهندسی و فناوری کشاورزی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران.

عبدالمجید لیاقت

گروه مهندسی آبیاری و آبادانی، دانشکده مهندسی و فناوری کشاورزی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران.

شهاب عراقی نژاد

گروه مهندسی آبیاری و آبادانی، دانشکده مهندسی و فناوری کشاورزی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران.

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 :

Abdolshahnejad, M., Khosravi, H., Nazari Samani, A. A., Zehtabia, G. ...

Ansari Ghojghar, M. & Araghinejad, Sh. (۲۰۱۸). Investigating the effect ...

Araghinejad, S. (۲۰۱۳). Data-driven modeling: using MATLAB® in water resources ...

Araghinejad, Sh., Ansari Ghojghar, M., Pourgholam-Amiji., Liaghat, A & Bazrafshan, ...

Dahiya, S., Singh, B., Gaur, S., Garg, V. K., & ...

Farajzadeh Asl, M. & Alizadeh, Kh. (۲۰۱۱). Spatial Analysis of ...

Huang, M, Peng, G, Zhang, J, and Zhang, S. (۲۰۰۶). ...

Ibarra-Berastegi, G., Elias, A., Barona, A., Saenz, J., Ezcurra, A., ...

Jamalizadeh Tajabadi, M. R., Moghaddamnia, A. R. & Piri, J. ...

Kim, D., Chin, M., Kemp, E. M., Tao, Z., Peters-Lidard, ...

Mohammadi, G, H., (۲۰۱۵). Analysis of Atmospheric Mechanisms in Dust ...

Sobhani, B., Salahi, B. & Goldust, A. (۲۰۱۵). Study the ...

Yarmoradi, Z., Nasiri, B., Mohammadi, Gh. H., & Karampour, M. ...

نمایش کامل مراجع