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:

1,287
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

دانلود:

756
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

استناد:

اطلاعات مقاله نشریه

عنوان

پیش بینی مکانی- زمانی بارش ماهانه با استفاده از شبکه باور عمیق (مورد مطالعاتی: منطقه شمال غرب ایران)

صفحات

 صفحه شروع 123 | صفحه پایان 142

چکیده

 در جهان امروز, توسعه سریع, همه جانبه و پایدار, هدف اصلی تمامی کشورها از جمله ایران می باشد. اصلی ترین محدودیت پیش روی توسعه پایدار, وضعیت اقلیمی و شرایط محیط زیستی کشورها است. از جمله مهم ترین محدودیت های اقلیمی در کشور ایران, بارش ناکافی همراه با پراکندگی نامناسب مکانی- زمانی است. هدف اصلی این تحقیق, پیش بینی ماهانه میزان بارش در منطقه شمال غربی ایران با استفاده از روش های یادگیری ماشین شبکه عصبی کم عمق و شبکه باور عمیق و همچنین تهیه نقشه پیش بینی توزیع مکانی- زمانی آن در منطقه مطالعاتی می باشد. در این تحقیق از داده های بارش به همراه سایر داده های محیطی و هواشناسی, ازابتدای سال 1951 تا پایان سال 2014 استفاده شده است. ارتفاع و مختصات ایستگاه های هواشناسی نیز به عنوان پارامتر توپوگرافی از مدل رقومی ارتفاعی بدست آمد. همچنین به منظور انجام پژوهشی جامع و افزایش دقت نتایج, از داده های بزرگ مقیاس اقلیمی در کنار سایر داده ها بهره برده شده است. وجود پارامترهای متنوع محیطی, توپوگرافی و اقلیمی اثر گذار بر پدیده بارش, سبب شده است که در این تحقیق با کلان داده های مکانی- زمانی مواجه باشیم. در این پژوهش ابتدا داده های مورد نیاز جمع آوری شد و بعد از آماده سازی در پایگاه داده غیر رابطه ای کاساندرا ذخیره سازی گردید. در گام بعدی دو شبکه عصبی کم عمق و شبکه باور عمیق پیاده سازی شد و آموزش, تست و پیش بینی با هر دو مدل صورت پذیرفت و نقشه پیش بینی توزیع مکانی- زمانی بارش هر دو شبکه برای دوازده ماه سال 2014 تهیه گردید. مقایسه مقدار بارش ماهانه به وقوع پیوسته با میزان بارش ماهانه پیش بینی شده توسط شبکه عصبی کم عمق و شبکه باور عمیق نشان داد که شبکه باور عمیق از توانایی بیشتری در مواجه با کلان داده های مکانی- زمانی و حل پیچیدگی های مساله پیش بینی بارش برخوردار است. همچنین در این تحقیق از معیارهای Accuracy, Precision,Recall و F1 score جهت ارزیابی عملکرد روش های پیشنهادی استفاده شد. نتایج نشان داد که مقادیر Accuracy برای شبکه عصبی کم عمق و شبکه باور عمیق به ترتیب برابر 0.67 و 0.71, مقادیر Precision به ترتیب 0.69 و 0.69, مقادیر Recall به ترتیب 0.7 و 0.8 و مقادیر F1 score به ترتیب 0.69 و 0.74 می باشد.

استنادها

  • ثبت نشده است.
  • ارجاعات

  • ثبت نشده است.
  • استناددهی

    APA: کپی

    رحیمی، هاجر، و فرنقی، مهدی. (1396). پیش بینی مکانی- زمانی بارش ماهانه با استفاده از شبکه باور عمیق (مورد مطالعاتی: منطقه شمال غرب ایران). علوم و فنون نقشه برداری، 6(4 )، 123-142. SID. https://sid.ir/paper/249420/fa

    Vancouver: کپی

    رحیمی هاجر، فرنقی مهدی. پیش بینی مکانی- زمانی بارش ماهانه با استفاده از شبکه باور عمیق (مورد مطالعاتی: منطقه شمال غرب ایران). علوم و فنون نقشه برداری[Internet]. 1396؛6(4 ):123-142. Available from: https://sid.ir/paper/249420/fa

    IEEE: کپی

    هاجر رحیمی، و مهدی فرنقی، “پیش بینی مکانی- زمانی بارش ماهانه با استفاده از شبکه باور عمیق (مورد مطالعاتی: منطقه شمال غرب ایران)،” علوم و فنون نقشه برداری، vol. 6، no. 4 ، pp. 123–142، 1396، [Online]. Available: https://sid.ir/paper/249420/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