مقایسه کارایی مدل شبکه عصبی مصنوعی، سری زمانی و مدل ترکیبی ANN-ARIMA در مدلسازی و پیش بینی شاخص منبع آب زیرزمینی (GRI) (مطالعه موردی: جنوب استان قزوین)
Publish Year: 1395
نوع سند: مقاله ژورنالی
زبان: Persian
View: 60
This Paper With 12 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JWMS-10-33_006
تاریخ نمایه سازی: 5 دی 1402
Abstract:
خشکسالی آب زیرزمینی یکی از انواع خشکسالی است که در اثر تغذیه ناکافی مخازن سفره های آب زیرزمینی بوجود آمده و شاخص منبع آب زیرزمینی (GRI) به عنوان روشی برای بیان وضعیت سطح آب زیرزمینی محسوب می شود. تاکنون روش ها و مدل های مختلفی برای پیش بینی و مدل سازی این پدیده ارائه شده است اما از آنجا که انتخاب یک مدل مناسب کار مشکلی می باشد می توان به جای استفاده از یک مدل؛ ترکیبی از مدل های منفرد قابل قبول را مورد استفاده قرار داد تا بتوان به پیش بینی مناسبت تر و قابل اعتماد تری دست یافت. در این تحقیق پس از محاسبه مقادیر GRI طی دوره آماری(۱۳۶۳-۱۳۹۰) در جنوب استان قزوین و بررسی ارتباط آن با پارامترهای هواشناسی (بارندگی، دبی، تبخیروتعرق پتانسیل، دما (میانگین، ماکزیمم، مینیمم)) و سیگنال های اقلیمی ( MEI، SOI، AMM، AMO و PDO)، با استفاده از آزمون گاما در سه ساختار ترکیب ورودی، اقدام به مدل سازی با شبکه عصبی مصنوعی گردید. نتایج نشان داد که سیگنال اقلیمی SOI و پارامترهای دمایی دارای بیشترین همبستگی معنی دار با مقادیر GRI می باشند. استفاده از پارامترهای هواشناسی نیز سبب بهبود عملکرد شبکه عصبی گردید. همچنین مدل سری زمانیARIMA(۱,۱,۳)(۲,۰,۱) با توجه به معیارهای ارزیابی آکاییک و شوارتز به عنوان مدل منتخب تعیین گردید. در نهایت نیز مدل سازی با مدل ترکیبی ANN-ARIMA انجام گرفت که عملکرد بهتری نسبت به دو مدل شبکه عصبی و سری زمانی نشان داد. (R۲=۰.۹۴, RMSE= ۰.۰۵)
Keywords:
Artificial Neural Network , Time Series , Gamma Test , GRI , SOI , Qazvin. , شبکه عصبی مصنوعی , سری زمانی , آزمون گاما , GRI , SOI , قزوین.
Authors
فاطمه مقصود
دانشگاه تربیت مدرس
محمدرضا یزدانی
دانشگاه سمنان
محمد رحیمی
دانشگاه سمنان
آرش ملکیان
دانشگاه تهران
علی ذوالفقاری
دانشگاه سمنان
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 :