پیش بینی خشکسالی با استفاده از مدل تلفیقی شبکه عصبی مصنوعی- موجک و مدل سری زمانیARIMA
Publish Year: 1397
نوع سند: مقاله ژورنالی
زبان: Persian
View: 383
This Paper With 15 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:
JR_JISE-41-2_012
تاریخ نمایه سازی: 12 تیر 1398
Abstract:
تبدیل موجک یکی از روشهای نوین و بسیار موثر در زمینه تحلیل سیگنالها و سریهای زمانی است. در این روش سیگنال شاخص بارش استاندارد (SPI) با استفاده از موجک مادر منتخب تجزیه شده، دادههای حاصل بهعنوان ورودی مدل شبکه عصبی مصنوعی در نظر گرفته شده و یک مدل تلفیقی برای پیشبینی خشکسالی ارائه میگردد. در این تحقیق، از شبکههای عصبی مصنوعی پرسپترون چند لایه (MLP) و تابع پایه ای شعاعی ((RBF، سری زمانی ARIMA و همچنین شبکههای عصبی مصنوعی- موجک پرسپترون چند لایه (WA-MLP) و تابع پایه ای شعاعی (WA-RBF) برای پیشبینی استفاده شده است. در این خصوص، از داده های بارندگی ایستگاه بیدستان با دوره آماری 44 ساله در حوضه آبریز شور استفاده شد. وضعیت رطوبتی با استفاده از شاخص بارندگی استاندارد شده (SPI) در دوره سه ماهه محاسبه گردید. برای تخمین مقدار SPI در هر بازه زمانی، از مقادیر مربوطه در زمان های ماقبل، استفاده شد. نتایج نشان داد مدل WA-MLP با دقت بالاتری (87/0=R2) مقادیر SPI و وضعیت خشکسالی کوتاه مدت را پیش بینی می کند.
Authors
محبوبه یونسی
دانشجوی دکتری، گروه مهندسی آب، دانشگاه بوعلی سینا، همدان، ایران.
نادیا شهرکی
دانشجوی دکتری، گروه مهندسی آب، دانشگاه بوعلی سینا، همدان، ایران.
صفر معروفی
استاد گروه مهندسی آب، دانشگاه بوعلی سینا، همدان، ایران.
حامد نوذری
استادیار گروه مهندسی آب، دانشگاه بوعلی سینا، همدان، ایران.