مرکز اطلاعات علمی 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
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:

43
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

دانلود:

2
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

استناد:

اطلاعات مقاله نشریه

عنوان

بررسی عملکرد شبکه عصبی مصنوعی در تخمین میزان بارش با استفاده از داده های اقلیمی و جغرافیایی (مطالعه موردی: استان فارس)

صفحات

 صفحه شروع 121 | صفحه پایان 140

چکیده

 پیش­بینی بارش از نقش مهمی در حفظ, مدیریت, تخصیص و توزیع منابع آب, تعیین حجم تأسیسات آبی,  تأمین نیاز آبی محصولات و همچنین تعیین مقدار فرسایش و رسوب برخوردار است. روش های مختلفی جهت پیش­بینی بارش وجود دارد. این پژوهش با هدف بررسی عملکرد شبکه­های عصبی مصنوعی در پیش­بینی بارش ماهانه بر اساس اطلاعات اقلیمی و جغرافیایی نظیر دمای حداقل و حداکثر, رطوبت حداقل و حداکثر, بارش, طول و عرض جغرافیایی و ارتفاع از سطح دریا در سطح 23 ایستگاه استان فارس اجرا گردید. نتایج در سطح 5, 10 و 18 داده ورودی نشان داد با افزایش تعداد ورودی دقت مدل در تخمین میزان بارش ماهانه افزایش می­یابد. دقیق­ترین مدل شبکه عصبی در روش نرمال­سازی رتبه­ای با یک لایه مخفی و بهترین ساختارهای شبکه نیز به­ترتیب در ساختار 1-25-5, 1-30-10 و 1-20-18 می­باشد. نتایج نشان داد که شبکه عصبی با 18 ورودی دارای کوچک­ترین MSE=0.032 و بالاترین R=0.62 می­باشد. بهترین روش برای نرمال­سازی, روش رتبه­ای با شبکه عصبی بهینه یک لایه و ساختار 1-25-5 و الگوریتم آموزش لونبرگ- مارکوارت و تابع محرک تانژانت سیگموئید می­باشد. بنابراین با استفاده از شبکه عصبی­مصنوعی (با 18 ورودی معرفی شده) می­توان مقدار و توزیع بارش ماهانه منطقه وسیعی را با دقت قابل قبولی پیش­بینی نمود. این موضوع نقش بسیار تعیین­کننده­ای در مدیریت و برنامه­ریزی منابع آب شرب و کشاورزی ایفا می­کند؛ به­طوری­که می­توان با در نظر گرفتن این پیش­بینی­ها, سیاست­های آینده را در جهت بهینه­سازی صرف هزینه­ها و امکانات بهره­وری حداکثر طرح­ریزی کرد.

چندرسانه ای

  • ثبت نشده است.

    • استنادها

  • ثبت نشده است.

    • ارجاعات

  • ثبت نشده است.

    • استناددهی

    مقالات مرتبط نشریه ای

  • ثبت نشده است.

    • 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