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

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

video

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

sound

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

نسخه انگلیسی

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

بازدید:

762
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

دانلود:

677
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

استناد:

اطلاعات مقاله نشریه

عنوان

مقایسه مناسب ترین ترکیب ورودی در روش های شبکه عصبی مصنوعی و درخت تصمیم به منظور شناسایی عوامل تاثیرگذار بر پدیده گرد و غبار (مطالعه موردی: استان یزد)

صفحات

 صفحه شروع 33 | صفحه پایان 40

چکیده

 یکی از بلایای طبیعی که هر ساله موجب خسارت های زیادی در نواحی خشک و بیابانی جهان از جمله ایران و منطقه یزد میشود, بادهای شدید و شکلگیری طوفان گرد و خاک است که هرساله چندین مرتبه به وقوع می پیوندد. در این مطالعه از دادههای هواشناسی ایستگاه یزد (طوفان تندر, بزرگی باد (اندازه, مقدار), تداوم باد (پیوستگی باد), دید افقی, سریعترین سرعت باد, میانگین سرعت باد, سرعت باد غالب و تعداد وقوع طوفان گرد و خاک ثبت شده توسط اداره هواشناسی (اعم از طوفان های با منشاء داخلی و خارجی)) در بازه زمانی 1953-2005 به صورت ماهانه استفاده شد. به منظور تعیین مناسبترین ترکیب ورودی مدل شبکه عصبی و تعداد پارامترهای (ورودی) تاثیرگذار بر پدیده طوفان گرد و خاک از روشهای کاهش متغییر تحلیل عاملی (حداکثر احتمال, مولفه اصلی), تجزیه مولفههای اصلی, آزمون تست گاما و رگرسیون گام به گام پیش رونده استفاده شد. هر کدام از روشهای مذکور ترکیب متفاوتی را ارائه نمودند که هر کدام از این ترکیبها در مدل شبکه عصبی پیش خور پس انتشار با توابع آموزشی لورنبرگ مارکوآت استفاده شد. نتایج به دست آمده نشان داد که رگرسیون گام به گام پیش رونده با R2=0.87 و RMSE=0.04 مناسب ترین ترکیب را برای مدل شبکه عصبی ایجاد میکند. مقایسه شبیه سازی پدیده طوفان گرد و خاک در فصول و ماه های مختلف سال نشان داد که شبیهسازی پدیده گرد و غبار فصلهای تابستان و بهار و همچنین ماههای فروردین, اردیبهشت, خرداد, تیر, مرداد و شهریور از دقت بالاتری برخوردار میباشد. در مقایسه میان مدلهای شبکه عصبی پیشخور پس انتشار خطا با توابع آموزشی لورنبرگ مارکوآت و درخت تصمیم با توابع آموزشی کارت (CART), شبکه عصبی با ضریب همبستگی 0.87 و مجذور میانگین مربعات خطای 0.04 نسبت به روش درخت.تصمیم با ضریب همبستگی 0.86 و مجذور میانگین مربعات خطای 0.06 از دقت بالاتری به منظور شبیه سازی طوفان گرد و خاک برخوردار است.

استنادها

  • ثبت نشده است.

    • ارجاعات

  • ثبت نشده است.

    • استناددهی

    APA: کپی

    اختصاصی، محمدرضا، یوسفی، محسن، و توکلی، محمود. (1394). مقایسه مناسب ترین ترکیب ورودی در روش های شبکه عصبی مصنوعی و درخت تصمیم به منظور شناسایی عوامل تاثیرگذار بر پدیده گرد و غبار (مطالعه موردی: استان یزد). مجله علوم و مهندسی آبخیزداری ایران، 9(28)، 33-40. SID. https://sid.ir/paper/134796/fa

    Vancouver: کپی

    اختصاصی محمدرضا، یوسفی محسن، توکلی محمود. مقایسه مناسب ترین ترکیب ورودی در روش های شبکه عصبی مصنوعی و درخت تصمیم به منظور شناسایی عوامل تاثیرگذار بر پدیده گرد و غبار (مطالعه موردی: استان یزد). مجله علوم و مهندسی آبخیزداری ایران[Internet]. 1394؛9(28):33-40. Available from: https://sid.ir/paper/134796/fa

    IEEE: کپی

    محمدرضا اختصاصی، محسن یوسفی، و محمود توکلی، “مقایسه مناسب ترین ترکیب ورودی در روش های شبکه عصبی مصنوعی و درخت تصمیم به منظور شناسایی عوامل تاثیرگذار بر پدیده گرد و غبار (مطالعه موردی: استان یزد)،” مجله علوم و مهندسی آبخیزداری ایران، vol. 9، no. 28، pp. 33–40، 1394، [Online]. Available: https://sid.ir/paper/134796/fa

    مقالات مرتبط نشریه ای

    مقالات مرتبط همایشی

  • ثبت نشده است.

    • طرح های مرتبط

  • ثبت نشده است.

    • کارگاه های پیشنهادی





    بازگشت به بالا
    telegram sharing button
    whatsapp sharing button
    linkedin sharing button
    twitter sharing button
    email sharing button
    email sharing button
    email sharing button
    sharethis sharing button