کاربرد شبکه های عصبی مصنوعی در پیش بینی بارش (مطالعه موردی: ایستگاه سینوپتیک سنندج)
Publish place: 6th Iranian National Water Resources Management Conference
Publish Year: 1395
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 467
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:
WRM06_235
تاریخ نمایه سازی: 6 بهمن 1395
Abstract:
پیش بینی بارش، به عنوان یکی از مهمترین متغیرهای اقلیمی در حوزه مدیریت منابع آب از اهمیت ویژه ای برخوردار است. از اینرو امروزه محققین با ابداع روشهای مستقل از مدل های دینامیکی سیستم، در جستجوی راه هایی بهمنظور شناخت و پیش بینی بهتر متغیرهای مهم هواشناسی از جمله بارش می باشند. یکی از این روش ها، شبکه های عصبی مصنوعی است که از مولفه های هوش مصنوعی محسوب می شود. در این پژوهش، به منظور پیش بینی بارش از داده های ایستگاه سینوپتیک سنندج در مقیاس ماهانه و در دوره آماری (1393-1350) انجام شده است. همچنین به دلیل رفتار غیرخطی بارش، از شبکه های عصبی مصنوعی جهت پیش بینی آن بهره گرفته شد. برای به کارگیری شبکه عصبی، 70 درصد داده ها جهت آموزش شبکه و 30 درصد داده ها نیز برای آزمون و اعتبارسنجی درنظر گرفته شد. در نهایت با انجام آزمون شبکه با لایه های پنهان و ضریب های یادگیری مختلف، مشخص گردید که استفاده از شبکه عصبی مصنوعی پرسپترون با دو لایه پنهان و ضریب آموزش (یادگیری) 0/6 نسبت با دیگر حالت ها و ساختار شبکه عملکرد بهتری را برای پیش بینی دارد. به منظور اطمینان از درستی مقادیر پیش بینی، از آماره های ضریب تبیین و میانگین ریشه مربعات خطا (RMSE) استفاده شد که مقادیر آنها به ترتیب برابر با 0/97 و 0/072 می باشد.
Keywords:
Authors
میلاد مرادی
دانش آموخته مهندسی منابع آب، دانشگاه شهید باهنر کرمان
عادل لشنی
دانشجوی کارشناسی ارشد سازه های هیدرولیکی، دانشگاه آزاد اسلامی (واحد تهران جنوب)
سمیه عزیزی
دانشجوی کارشناسی ارشد سازه های آبی، 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 :