پیش بینی بارش ماهانه با استفاده از الگوهای پیوند از دور و شبکه عصبی مصنوعی (مطالعه موردی: حوزه فلات مرکزی ایران)
Publish place: Journal of the Earth and Space Physics، Vol: 43، Issue: 2
Publish Year: 1396
نوع سند: مقاله ژورنالی
زبان: Persian
View: 99
This Paper With 15 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JESPHYS-43-2_012
تاریخ نمایه سازی: 10 آبان 1402
Abstract:
تحقیق حاضر با هدف بررسی تاثیر شاخص های پیوند از دور بر رخداد بارش ماهانه و پیش بینی بارندگی در حوزه آبخیز فلات مرکزی ایران با استفاده از مدل شبکه عصبی مصنوعی چندگامی مستقیم (DMSNN) با پارامترهای مذکور است. براین مبنا مقادیر بارش طی دوره مشترک آماری ۱۹۸۱-۲۰۱۴ در ۲۰ ایستگاه سینوپتیک منطقه مورد مطالعه انتخاب شد، به طوری که دوره آماری ۱۹۸۱- ۲۰۰۴ برای توسعه مدل و سال های ۲۰۰۴-۲۰۱۴ جهت صحت سنجی مدل به منظور پیش بینی شش ماه آینده در مقیاس ماهانه استفاده شد. جهت بررسی میزان دقت مدل، مقادیر مشاهده ای و پیش بینی شده بارندگی با استفاده از آزمون های Z و F مقایسه شدند و به منظور بررسی کارایی مدل، معیارهای R۲، RMSE و MAE استفاده شدند. نتایج نشان دهنده تاثیر قوی شاخص MEI و SOI بر بارش منطقه است. نتایج مدل DMSNN نشان داد که بالاترین کارایی طی یک ماه آینده به بخش جنوبی فلات مرکزی با ضریب همبستگی ۸۱/۰ و ضعیف ترین نتایج به غرب حوزه با ضریب همبستگی ۴/۰ مربوط است. براساس نتایج به دست آمده، شبکه عصبی مصنوعی ابزار مفیدی برای پیش بینی بارش ماهانه و برنامه ریزی مدیریت منابع آب طی شش ماه آتی خواهد بود.
Keywords:
Authors
Hoda Ghasemiyeh
استادیار، گروه مرتع و آبخیزداری، دانشکده منابع طبیعی و علوم زمین دانشگاه کاشان، کاشان، ایران
ommolbanin bazrafshan
استادیار، گروه مرتع و آبخیزداری، دانشکده کشاورزی و منابع طبیعی، دانشگاه هرمزگان، بندرعباس، ایران
Kobra Bakhshayesh manesh
کارشناس ارشد آبخیزداری، دانشکده منابع طبیعی و علوم زمین، دانشگاه کاشان، کاشان، 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 :