استفاده از شبکه های عصبی مصنوعی در بررسی اثر سیگنال های اقلیمی بر بارش اهواز
Publish Year: 1394
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 498
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:
شناسه ملی سند علمی:
RSTCONF01_118
تاریخ نمایه سازی: 30 آبان 1394
Abstract:
سیگنال های اقلیمی الگوهای بزرگ مقیاسی از ناهنجاری های گردش و فشار هوا می باشند که در محدوده جغرافیایی وسیعی گسترش یافته اند. این سیگنال ها در توجیه رفتار اقلیم از اهمیت زیادی برخوردارند و می توانند در تحلیل تغییرات فصلی و سالانه بارش موثر باشند.در این تحقیق از داده های ماهانه سیگنال های بزرگ مقیاس اقلیم نظیر شاخص نوسان جنوبی SOI نوسان اطلس شمالی NAOو AO SOI و پدیده ENSO در مناطق NINO4,NINO3,NINO3.4,NINO2+1 استفاده شده است.تمامیداده های مربوط به سیگنال های فوق از مرکزآنالیز شده NCEP طی سالهای 2591 تا 1123 دریافت گردید.به منظور تعیین موثرترینسیگنال ها بر بارش اهوازاز رگرسیون چند متغیره استفاده شد.نتایج تحلیل رگرسیونی نشان داد که پدیده ENSO به عنوان موثرترین سیگنال در بارش اهواز می باشد.بعد از شناسایی سیگنال های موثر با استفاده از مدل شبکه عصبی مصنوعی . بارش برای بازه های 3و 6 ماهه بررسی شد.تحلیل نتایج مدل شبکه عصبی مصنوعی با داده های مشاهده ای نشان داد فاز گرم ENSO با دوره های پربارش اهواز همراه است. بطور کلی می توان گفت که شبکه عصبی مصنوعی به خوبی رابطه غیرخطی بین مقادیربارش را پیش بینی می کند
Keywords:
ENSO . شبکه عصبی مصنوعی . سیگنال . NCEP . بارش
Authors
زینب گلابی زاده
دانشجوی کارشناسی ارشد جغرافیا وبرنامه ریزی شهری،دانشگاه پیام نور،ایران
محمد بافقی زاده
استادیار، گروه جغرافیا، دانشگاه پیام نور، ایران
پرویز سلیمانی مقدم
استادیار، گروه جغرافیا، انشگاه پیام نور، 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 :