پایش و پیش بینی خشکسالی استان سمنان با استفاده از شاخص خشکسالی SPI، زنجیره مارکوف، شبکه عصبی مصنوعی ANN و GIS
Publish place: دومین کنگره بین المللی علوم زمین و توسعه شهری
Publish Year: 1395
Type: Conference paper
Language: Persian
View: 816
This Paper With 16 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
Export:
Document National Code:
ESUD02_517
Index date: 12 November 2016
پایش و پیش بینی خشکسالی استان سمنان با استفاده از شاخص خشکسالی SPI، زنجیره مارکوف، شبکه عصبی مصنوعی ANN و GIS abstract
خشکسالی وضعیتی از کمبود بارندگی و افزایش دماست که در هر وضعیت اقلیمی ممکن است رخ دهد. برای تخمین خشکسالی به دلیل دینامیک پیچیده حاکم بر ان لازم است از مدلهای دینامیکی که در آن فرآیندهای حاکم بر پدیده خشکسالی در نظر گرفته می شود، استفاده کرد. مدلهای شبکه عصبی مصنوعی از جمله این مدلها می باشد که قادرند روابط میان ورودیها و خروجی های یک سامانه فیزیکی را که توسط شبکه ای از گره ها که همگی با هم متصل هستنأ، تعیین نمایند. شاخص بارندگی استاندارد شده SPI یکی از معدود شاخصهایی است که در ان مقیاس زمانی برای پایش دوره خشک مدنظر قرار گرفته است نمایه SPI به علت سادگی محاسبات، استفاده از داده های قابل دسترس بارندگی، قابلیت محاسبه برای هر مقیاس زمانی دلخواه و قابلیت بسیار زیاد در مقایسه مکانی نتایج بهعنوان مناسبترین نمایه برای تحلیل خشکسالی بویژه تحلیلهای مکانی شناخته می شود در میان روشهای آماری زنجیره مارکف در علوم جوی در سالهای اخیر مورد توجه جدی قرار گرفته است. زنجیره مارکوف با روش ساده ریاضی مانند ضریب ماتریسها، حل احتمالات مربوط به فرآیندهای وابسته را بسیار آسان نموده است. مدل زنجیره مارکف در علوم مختلفی مانند هواشناسی اقلیم شناسی اقتصاد و صنعت کاربرد وسیعی دارد در این پژوش برای پیش بینی خشکسالی در استان سمنان با استفاده از معادله SPI داده های واقعی بارش به ارقام SPI تبدیل شده سپس ب استفاده از مقیاس طبقه بندی شدت ترسالی و خشکسالی دومارتین شروع به طبقه بندی و تعیین خصوصیات آماری بارش در ایستگاه های مورد مطالعه گردید. سپس داده های پس از نرمال شدن با استفاده از روش شبکه عصبی مصنوعی ANN در نرم افزار متلب با ترکیب 30-70 جهت آموزش و پیش بینی به کار گرفته شدند. داده ورودی برای پیش بینی بارش و خروجی SPI ها در نظر گرفته شدند. روش انتخاب نرونها لایه پنهان به صورت 2I,I,I+ 2I هشتاد درصد داده ها برای اموزش و بیست درصد برای Validation صحت سنجی در نظر گرفته شد. معیار ارزیابی کار هم RMSE میانگین مجذور خطا و R2 ضریب همبستگی بود. که الویت را به داد های با خطای کمتر دادیم باتوجه به معیار ارزیابی ذکر شده برای ANN بهترین مدل از بین مدلهای شبکه عصبی انتخاب شد پس از انتخاب بهترین مدل پیش بینی خشکسالی برای دو سال انجام شد 1390-1389 در نهایت SPI 24 ماه برای پیش بینی با روش زنجیره مارکف به سالانه تبدیل شدند و به عنوان ورودی مدل زنجیره مارکف در نظر گرفته شدند و خشکسالی برای دو سال پیش بینی شد 1390-1389 و نتایج به دست امده با هر سه مدل در نرم افزار GIS محیط Arc map اجرا شدند. نتایج حاصل از هر سه مدل نشان داد که در سرتاسر استان سمنان شدیدترین خشکسالی ها به ترتیب در سال های 1387 شهرود در مقیاس 12 ماهه 1388 شهرود در مقیاس 6 ماهه دامغان 1355 در مقیاس 3 ماهه می باشد.
پایش و پیش بینی خشکسالی استان سمنان با استفاده از شاخص خشکسالی SPI، زنجیره مارکوف، شبکه عصبی مصنوعی ANN و GIS Keywords:
پایش و پیش بینی خشکسالی استان سمنان با استفاده از شاخص خشکسالی SPI، زنجیره مارکوف، شبکه عصبی مصنوعی ANN و GIS authors
منیر شیرزادی
دانشجوی کارشناسی سنجش از دور دانشگاه تبریز
بهروزا اسدزاده
دانشجوی کارشناسی ارشد اقلیم شناسی دانشگاه تبریت مدرس
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 :