مدل برآورد مکانی بارش در زاگرس میانی با استفاده از شبکه های عصبی مصنوعی (ANN)

Publish Year: 1393
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 535

This Paper With 7 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:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

ICGS01_016

تاریخ نمایه سازی: 6 آذر 1393

Abstract:

از مهمترین مسائل مربوط به مناطق کوهستانی تحلیل رابطه بارش و ارتفاع و همچنین ارائه یک مدل مطلوب است که بتواند به بهترین شکل تغییرات بارش را تخمین زده و بتواند میزان بارش در مناطق فاقد بارش را به بهرتین نحو تخمین بزند. در این مطالعه سعی شده است از طریق شبکه های عصبی مصنوعی و ارائه بهترین ساختار شبکه به براورد مکانی بارش در منطقه زاگرس میانی پرداخته شود. به این منظور در ابتدا کلیه داده های در دست رس مربوط به بارندگی (اعم از باران سنجی، همدید، و کلیماتولوژی) در دوره آماری 1995-2007 جمع آوری گردید. علاوه بر متغیر بارش که به عنوان متغیر هدف به شبکه معرفی گردید متغیرهای طول و عرض جغرافیایی ، ارتفاع، میزان شیب، فاصله از نقطه ارتفاعی 2300 متر و بیشتر، فاصله از خط الراس، فاصله از خلیح فارس و فاصله از دریای مدیترانه که دارای همبستگی معنی دار با میزان بارش در زاگرس میانی بوده اند به عنوان ورودی های شبکه برای برآورد مکانی بارش به شبکه معرفی گردیدند. آماره های میانگین قدر مطلق خطا (MAE)، مجذور میانگین مربعات خطا (RMSE) و ضریب تعیین (R^2) به منظور ارزیابی عملکرد شبکه استفاده شد نتایج نشان می دهد که شبکه های عصبی مصنوعی پرسپترون چند لایه با الگوریتم پس انتشار دارای بهترین عملکرد در برآورد مکانی بارش در زاگرس میانی است. همچنین آرایش 1-12-3 با فانون آموزش مارکوات لونبرگ و تابع محرک سیگموئید به ترتیب با مقادیر MAE، RMSE و 0/09R^2 ، و 0/076 و 0/79 دارای بهترین عملکرد در آرایش های پیشنهادی در این مطالعه می باشد. بطور کلی مقایسه عملکرد شبکه عصبی مصنوعی با داده های واقعی بارش نشان می دهد که دقت شبکه عصبی مصنوعی در حد قابل قبولی است. همچنین مشخص گردید که تعداد نرون ها در لایه میانی از قانون خاصی تبعیت نکرده و شبکه های عصبی مصنوعی نسبت به ورودی های مدل حساس بوده و در صورت ورود متغیرهای بی معنی ، تناسب عملکرد شبکه کاهش پیدا می کند.

Authors

محمد سعید نجفی

دانشجوی دکتری اقلیم شناسی دانشگاه تبریز

پیمان شیراوند

کارشناس ارشد اقلیم شناسی دانشگاه تهران

مجتبی فخاری

دانشجوی دکتری اقلیم شناسی دانشگاه تبریز

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 :
  • _ ابیانه، حمید رضا؛ بیات ورکشی، مریم، معروفی، صفر و ...
  • _ البرزی، محمود، 1380، آشنایی با شبکه های عصبی مصنوعی ...
  • _ _ طیب و عزیزی، قاسم، 1386، منطقه بندی غرب ...
  • _ ساری صراف بهروز, رجایی عبدالحمید, مصری علمداری پریچهر، 1388، ...
  • _ ساری صراف بهروزرجایی عبدالحمید, مصری علمداری پریچهر، 1389، نقش ...
  • مقایسه عملکرد شبکه عصبی مصنوعی با سایر روشها در برآورد مکانی بارندگی روزانه [مقاله کنفرانسی]
  • _ عساکره، حسین، 1383، مدلسازی تغیییرات مکانی عناصر اقلیمی (مطالعه ...
  • _ عزبزی، قاسم؛ عباسپور، رحیم علی؛ صفرراد، طاهر، 1389، مدل ...
  • _ فقیه، همایون، 1389، ارزیابی کاربرد شبکه عصبیب مصنوعی و ...
  • _ قلی زاده، هحمد حسین؛ دارند، محمد، 1389، پیش بینی ...
  • _ مسعودیان، سید ابوالفضل، 1377، بررسی تغییرات مکانی و فضایی ...
  • _ مجرد، فیروز؛ مرادی فر، حاجی مراد، 1382، مدلسازی رابطه ...
  • T., 2008, A Multivariate Regression Model for Predicting Precipitation i ...
  • اردیبهشت 1393، دانشکده جغرافیا، موسسه جغرافیا ...
  • Alijani, B., Brien, J.O., and Yarnal, B., 2008, Spatial Analysis ...
  • Alijani, B., 2008, Effect of the Zagros Mountains on the ...
  • Ramirez, M. C. V., H. F. C. Velho and N. ...
  • نمایش کامل مراجع