Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

مقاله مقاله نشریه

مشخصات مقاله

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی
Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

video

Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

sound

Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی

Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

بازدید:

506
Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

دانلود:

506
Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

استناد:

اطلاعات مقاله نشریه

عنوان

مقایسه عملکرد شبکه عصبی پرسپترون چندلایه و مدل رگرسیونی لیناکر در پیش بینی کمینه دمای روز بعد (مطالعه موردی: کرمان، شیراز، رشت و همدان)

صفحات

 صفحه شروع 107 | صفحه پایان 121

چکیده

 سرمازدگی یکی از مهم­ ترین مخاطرات جوی است که خسارات زیادی را به محصولات کشاورزی وارد می­ کند. یکی از راه­ های مدیریت و کاهش خسارت­ های ناشی از سرمازدگی, پیش­ بینی دمای کمینه است. به این منظور, با استفاده از آمار روزانه پارامترهای کمینه دما, بیشینه دما و دمای نقطه شبنم در دوره آماری 2009-2005, کمینه دمای روز بعد در چهار ایستگاه با اقلیم­ های متفاوت توسط مدل رگرسیونی لیناکر و شبکه عصبی مصنوعی پرسپترون چند­ لایه (MLP), در کل سال, دوره سرد و دوره گرم پیش­ بینی شد. در این پژوهش برای ارزیابی عملکرد مدل­ ها از معیارهای آماری NRMSE, RMSE و R2 استفاده شد. نتایج نشان داد که از چهار ایستگاه, بهترین برآورد, با شبکه عصبی MLP با دو ورودی برای ایستگاه رشت به دست آمد که ریشه میانگین مربعات خطای آن برای کل سال, دوره سرد و دوره گرم به­ ترتیب 57/1, 61/1 و 21/1 است. برای بررسی نقش رطوبت نسبی در جهت بهبود مدل شبکه عصبی, این پارامتر به عنوان ورودی سوم به شبکه پرسپترون چند­ لایه افزوده شدکه در نتیجه آن, RMSE در دوره سرد سال برای ایستگاه­ های کرمان, شیراز, همدان (فرودگاه) و رشت به ترتیب 04/3, 86/2, 48/9 و 83/15 درصد بهبود یافت. این مقادیر برای دوره گرم سال 6, 33/13, 86/2 و 63/18 درصد بود؛ بنابراین اضافه کردن رطوبت نسبی به عنوان ورودی سوم به مدل شبکه عصبی, تنها در ایستگاه همدان – که براساس طبقه بندی یونسکو, اقلیم آن SA-K-W است-سبب بهبود بیشتر RMSE در دوره سرد سال نسبت به دوره گرم سال شده است درحالی که در سایر ایستگاه­ ها, اضافه کردن رطوبت نسبی در دوره گرم سال, منجر به کاهش بیشترخطا شده است. در جمع بندی می­ توان گفت که برای همه اقلیم­ های مورد­ مطالعه, شبکه­ های عصبی مصنوعی منتخب, کارایی بهتری را نسبت به مدل رگرسیونی لیناکر در پیش­ بینی دمای کمینه روز بعد از خود نشان می­ دهند

استنادها

  • ثبت نشده است.

    • ارجاعات

  • ثبت نشده است.

    • استناددهی

    APA: کپی

    سبزی پرور، علی اکبر، و خوشحال جهرمی، فاطمه. (1397). مقایسه عملکرد شبکه عصبی پرسپترون چندلایه و مدل رگرسیونی لیناکر در پیش بینی کمینه دمای روز بعد (مطالعه موردی: کرمان, شیراز, رشت و همدان). مجله ژئوفیزیک ایران، 12(3 )، 107-121. SID. https://sid.ir/paper/133896/fa

    Vancouver: کپی

    سبزی پرور علی اکبر، خوشحال جهرمی فاطمه. مقایسه عملکرد شبکه عصبی پرسپترون چندلایه و مدل رگرسیونی لیناکر در پیش بینی کمینه دمای روز بعد (مطالعه موردی: کرمان, شیراز, رشت و همدان). مجله ژئوفیزیک ایران[Internet]. 1397؛12(3 ):107-121. Available from: https://sid.ir/paper/133896/fa

    IEEE: کپی

    علی اکبر سبزی پرور، و فاطمه خوشحال جهرمی، “مقایسه عملکرد شبکه عصبی پرسپترون چندلایه و مدل رگرسیونی لیناکر در پیش بینی کمینه دمای روز بعد (مطالعه موردی: کرمان, شیراز, رشت و همدان)،” مجله ژئوفیزیک ایران، vol. 12، no. 3 ، pp. 107–121، 1397، [Online]. Available: https://sid.ir/paper/133896/fa

    مقالات مرتبط نشریه ای

    مقالات مرتبط همایشی

  • ثبت نشده است.

    • طرح های مرتبط

  • ثبت نشده است.

    • کارگاه های پیشنهادی





    بازگشت به بالا