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:

2,087
Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

دانلود:

922
Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

استناد:

1

اطلاعات مقاله نشریه

عنوان

پیش بینی بارش روزانه با استفاده از شبکه های عصبی مصنوعی (مطالعه موردی: ایستگاه سینوپتیک مشهد)

صفحات

 صفحه شروع 7 | صفحه پایان 15

چکیده

 پیش بینی بارش, به عنوان یکی از مهم ترین متغیرهای اقلیمی در حوزه مدیریت منابع آب از اهمیت ویژه ای برخوردار است. از طرفی, وجود رابطه های غیرخطی پیچیده در معادلات حاکم, مدل سازی بارش را امری مشکل نموده است از اینرو امروزه محققین با ابداع روش های مستقل از مدل های دینامیکی سیستم, در جستجوی راه هایی به منظور شناخت و پیش بینی بهتر متغیرهای مهم هواشناسی از جمله بارش می باشند. یکی از این روش ها, شبکه های عصبی مصنوعی است که از مولفه های هوش مصنوعی محسوب می شود. در این تحقیق, پیش بینی بارش روزانه به کمک شبکه های عصبی مصنوعی صورت گرفته است. برای این منظور از اطلاعات بارش روزانه 23 سال آماری (1383-1361) ماه مارس به عنوان ماه مرطوب و ماه های می و دسامبر به عنوان دو ماه متوسط از نظر رطوبتی, در ایستگاه سینوپتیک مشهد استفاده شده است. از مجموع 713 داده بارش, 580 داده برای آموزش و آزمون حین آموزش و بقیه داده ها برای صحت سنجی مدل ها استفاده شد. شبکه عصبی مورد استفاده, شیوه ای جدید از شبکه پرسپترون پیشخور سه لایه با پس انتشار خطا می باشد که از الگوریتم کاهش گرادیان به منظور آموزش آن استفاده شده است. در این رابطه, پس از بررسی و آزمون و خطای بسیار, دو توپولوژی GS 521 و GS 651 برای ماه مارس, GS 541 و GS 681 برای ماه می و GS 571 و GS 631 برای ماه دسامبر, بر اساس مناسب ترین پارامترها برای شبکه های عصبی انتخاب شد. بدین منظور, از امکانات و توابع موجود در محیط برنامه نویسی نرم افزار  MATLAB, بهره گرفته شد. ضریب همبستگی (R), میانگین مجذور مربعات خطا (RMSE) و میانگین خطای مطلق (MAE), در بهترین مدل ها به ترتیب برای ماه مارس, 0.89, 0.14 و 1.15 میلی متر, برای ماه می 0.85, 0.14 و 1.16 میلی متر و برای ماه دسامبر 0.86, 0.15 میلی متر و 1.17 میلی متر به دست آمده است که نشان از برآورد و شبیه سازی مناسب مدل ها دارد.

استنادها

ارجاعات

استناددهی

APA: کپی

خلیلی، نجمه، خداشناس، سعیدرضا، داوری، کامران، و موسوی بایگی، محمد. (1389). پیش بینی بارش روزانه با استفاده از شبکه های عصبی مصنوعی (مطالعه موردی: ایستگاه سینوپتیک مشهد). پژوهش های آبخیزداری (پژوهش و سازندگی)، 23(4 (پیاپی 89))، 7-15. SID. https://sid.ir/paper/200564/fa

Vancouver: کپی

خلیلی نجمه، خداشناس سعیدرضا، داوری کامران، موسوی بایگی محمد. پیش بینی بارش روزانه با استفاده از شبکه های عصبی مصنوعی (مطالعه موردی: ایستگاه سینوپتیک مشهد). پژوهش های آبخیزداری (پژوهش و سازندگی)[Internet]. 1389؛23(4 (پیاپی 89)):7-15. Available from: https://sid.ir/paper/200564/fa

IEEE: کپی

نجمه خلیلی، سعیدرضا خداشناس، کامران داوری، و محمد موسوی بایگی، “پیش بینی بارش روزانه با استفاده از شبکه های عصبی مصنوعی (مطالعه موردی: ایستگاه سینوپتیک مشهد)،” پژوهش های آبخیزداری (پژوهش و سازندگی)، vol. 23، no. 4 (پیاپی 89)، pp. 7–15، 1389، [Online]. Available: https://sid.ir/paper/200564/fa

مقالات مرتبط نشریه ای

مقالات مرتبط همایشی

  • ثبت نشده است.

    • طرح های مرتبط

  • ثبت نشده است.

    • کارگاه های پیشنهادی





    بازگشت به بالا