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:

29
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

دانلود:

0
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

استناد:

اطلاعات مقاله نشریه

عنوان

مقایسه کارآمدی چهار روش هوش مصنوعی در پیش بینی خشک سالی

صفحات

 صفحه شروع 139 | صفحه پایان 156

چکیده

 خشک سالی یک اختلال موقتی است که خصوصیات آن از منطقه­ای با منطقه دیگر متفاوت است, از این رو نمی­توان تعریف جامع­ و مطلق برای خشک سالی بیان نمود. در تحقیق حاضر, به منظور معرفی یک روش مناسب جهت پیش­بینی خشکسالی برای یک ماه آتی, چهار روش هوش مصنوعی شامل یادگیری عمیق (Deeplearning) (از شبکه الکس­نت که یکی از شبکه­های کانولوشن می­باشد استفاده شده است), الگوریتم K نزدیک­ترین همسایه (KNN), ماشین برداد پشتیبان چند طبقه (SVM-MultiClass) و درخت تصمیم (Decision Tree) در نظر گرفته شد. داده­های بارندگی 11 ایستگاه سینوتیک استان یزد طی دوره ­آماری 29 ساله (1988 تا 2017) به صورت ماهانه به عنوان داده­های آزمایشی مورد استفاده قرار گرفتند. شاخص بارش استاندارد شده (SPI) برای نشان دادن وضعیت خشکسالی از نظر شدت و مدت در مقیاس­های زمانی 1, 3, 6, 9, 12 و 24 ماهه محاسبه گردید. در ابتدا داده­های بارش به عنوان ورودی شبکه­های عصبی و کلاس­بندی SPI  به عنوان خروجی شبکه­ها قرار داده شد. 80 درصد داده­ها برای آموزش و20 درصد داده­­ها برای تست شبکه­ها به کار گرفته شد. نتایج نشان داد که تمامی شبکه­ها توانایی پیش­بینی خشکسالی را داشته­اند, بر اساس معیار ارزیابی macro-f1 شبکه Deeplearning در مقیاس زمانی 1 ماهه با 71/22 درصد, ناکارآمدترین روش و  Decision Tree با 65/64 درصد, کارآمدترین روش بوده­اند, اما با افزایش مقیاس زمانی, شبکه Deeplearning عملکرد خود را بهبود بخشید, به­طوریکه در مقیاس زمانی 24 ماهه با 35/65 درصد, بهترین عملکرد مربوط به شبکه Deeplearning و بعد از آن, شبکه SVM-MultiClass با 40/57 درصد, قرار گرفت.

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