مقایسه تطبیقی مدل شبکه عصبی مصنوعی (ANN) ومدل SARMA در پیش بینی خشکسالی اقلیمی با رویکرد توسعه پایدار منابع آب
Publish place: The first national conference on sustainable development in arid and semiarid regions
Publish Year: 1391
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 1,059
This Paper With 8 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:
SDARIDR01_008
تاریخ نمایه سازی: 18 دی 1391
Abstract:
خشکسالی هیدرولوژیکی یک مسئله جدی برای اجتماعات انسانی و اکوسیستمی است که در نتیجه با تغییرات اقلیمی همراه خواهد بود. 90 درصد کشورایران را اقلیم خشک و نیمه خشک در برگرفته و نزدیک به 76 درصد آن با پدیده خشکسالی مواجه بوده است. در دهههای اخیر در بین حوادث طبیعی، پدیده خشکسالی از نظر درجه شدت، طول مدت، مجموع فضای تحت پوشش، خسارات اقتصادی و اثرات اجتماعی و زیست محیطی در جامعه بیشتر از سایر بلایای طبیعی بوده و پیامدهای حاصل از این پدیده ممکن است با تأخیر بیشتری نسبت به سایر حوادث طبیعی نمایان شود. پیش بینی خشکسالی نقش مهمی در طرح و مدیریت منابع طبیعی، سیستمهای منابع آب و... دارد. در عصر کنونی محدودیت منابع آبی جهت تأمین آب مورد نیاز بخشهای مختلف اقتصادی موجب بروز مشکلاتی عمدهای شده و باران به عنوان مهمترین منبع آبی موجود محسوب میشود. از جمله مهمترین مراحل پایش خشکسالی، پیش بینی و برآورد نزولات جوی برای هر منطقه و آبخیز به عنوان یکی از مهمترین پارامترهای اقلیمی در استفاده از منبع آبی محسوب میگردد. تا کنون تلاش بسیاری برای طراحی مدلهای پیش بینی صورت گرفته که از جمله آنها میتوان مدلهای آماریARMA و سایر مدلهای مبتنی بر رگرسیون را نام برد. در دهههای اخیر مدلهای شبکه های عصبی مصنوعی تواناییهای زیادی را در مدلسازی و پیش بینی توابع غیر خطی و غیر ایستا نشان داده و قادرند با پردازش دادههای تجربی، دانش یا قانون نهفته در بطن دادهها را فرا بگیرند . بدین جهت انتظار میرود شبکه های عصبی مصنوعی ابزاری مناسب برای یک مدل پیش بینی باشد. در مطالعه حاضر با به کارگیری اطلاعات بارندگی ایستگاه سینوپتیک شهرستان اهواز طی دوره آماری 35 ساله، نتایج حاصل از پیش بینی مدل خود رگرسیونی فصلی میانگین متحرک انباشتهSARMA)و مدل غیرخطی شبکه عصبی پرسپترون چند لایهMLP) و با الگوریتم آموزشی پس انتشار خطا برای سالهای 2006 تا 2010 با یکدیگر مقایسه و مدلی که داری کمترین معیارهای ارزیابی خطا و پایینترین سطحاختلاف آماری را با میزان واقعی بارندگی در طی دوره زمانی مذکور داشته، برای پیش بینی میزان بارندگی ماهانه و سیکل خشکسالی طی افق زمانی سالهای 2011 تا 2013 منطقه مطالعاتی انتخاب گردید
Keywords:
Authors
فرشید علی پور
دانشجوی کارشناسی ارشد اقتصاد کشاورزی دانشگاه زابل
محمود صبوحی
دانشیار گروه اقتصاد کشاورزی دانشگاه زابل
نسرین مهدی پور
کارشناس مدیریت بازرگانی دانشگاه شیخ بهایی اصفهان
لیلا میرزاجانی
کارشناس ارشد مدیریت کشاورزی و مدرس دانشگاه پیام نور
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 :