پیش بینی بارش با استفاده از شبکه های عصبی مصنوعی به منظور مدیریت سیل، مورد: شهرستان ایرانشهر
Publish place: 4th International Congress of The Islamic World Geographers
Publish Year: 1389
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 2,655
This Paper With 21 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:
ICIWG04_090
تاریخ نمایه سازی: 13 آذر 1388
Abstract:
در سالهای اخیر خسارتهای ناشی از سیل در بسیاری از مناطق جهان رشد صعودی داشته است که بارشهای غیر مترقبه به عنوان یک عامل تهدید کننده در احتمال وقوع سیل محسوب می شود. پیش بینی بارش در مدیریت و هشدار معضل سیل نقش مهمی بر عهده دارد. به منظور جلوگیری از خسارات ناشی از سیل و سعی در کنترل ومهار آن ضرورت ، اهمیت پیش بینی بارش امری اجتناب ناپذیر به نظر می رسد. زیرا با اطلاع از میزان بارندگی ، می توان امکان وقوع سیل را در منطقه پیش بینی و اقدامات لازم را به عمل آورد. در مناطق آسیب پذیر ، ایجاد یک ساختارهای دفاعی در برابر سیل مهم و جدی است و پیش بینی به موقع بارش نیز عاملی بوده که برای مقابله با سیل و اهداف مدیریتی آن از اهمیت بیشتری برخوردار است.با توجه به اینکه پیش بینی بارش تابع عوامل عوامل بسیاری از جمله فشار ، دما ، باد و ... می باشد ، و همچنین محدودیت هایی از قبیل نبود اطلاعات بارش در مقیاس های زمانی و مکانی مناسب ، استفاده از روش های معمول از پیچیدگی های زیادی برخوردار است. در این تحقیق، شبکه های عصبی مصنوعی به عنوان یک روش کارامد جهت پیش بینی بارندگی مورد استفاده قرار گرفته است و از نرم افزارMatlab-7 جهت پیش بینی و تجزیه تحلیل عوامل موثر در بارش منطقه کمک گرفته شد. ورودی مدل ANN آمار سیستم مونسون ، دما و فشار منطقه می باشد که این داده ها ، بازه زمانی (2007-1964) را در بر می گیرد. 80 درصد داده ها برای آموزش و 20 درصد باقیمانده جهت تست بکار رفته است. شبکه مورد استفاده از نوع پس انتشار feedforward با الگوریتم سیگموئد می باشد. و اطلاعات بارش ایستگاه شهرستان ایرانشهر در استان سیستان و بلوچستان به عنوان خروجی مدل ANN استفاده شده است.تحلیل نتایج خروجی مدل شبکه عصبی نشان داده که این مدل توانایی بهتر و دقت بالایی برای پیش بینی بارش نسبت به روش های آماری معمول داشته است و با افزایش فاکتورهای ورودی ، شبکه دقت بالاتری را در پیش بینی ارائه می دهد در صورتی که اگر شبکه ورودی کمتری داشته باشد خطای بیشتری را دارا می باشد
Keywords:
Authors
محمود خسروی
دانشیار گروه جغرافیای طبیعی(اقلیم شناسی)،دانشکده جغرافیا و برنامه ری
هانیه شکیبا
دانشگاه سیستان و بلوجستان، دانشکده جغرافیا و برنامه ریزی محیطی ، زاهد
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 :