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:

698
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

دانلود:

599
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

استناد:

1

اطلاعات مقاله نشریه

عنوان

معرفی یک مدل غیر خطی بر اساس هیبرید ماشین های یادگیری به منظور مدل سازی و پیش بینی بارش و مقایسه با روش SDSM (مطالعات موردی: شهرکرد، بارز و یاسوج)

صفحات

 صفحه شروع 325 | صفحه پایان 339

چکیده

 در پژوهش حاضر, مدلی هیبریدی بر مبنای روش های غیرخطی شامل رگرسیون تطبیقی چندگانه اسپلاین (MARS), شبکه عصبی مصنوعی (ANN) و K نزدیکترین همسایه (KNN) به منظور ریز مقیاس نمایی و پیش بینی بارش ایستگاه های شهرکرد, بارز و یاسوج تحت شرایط تغییر اقلیم معرفی شده است. مدل هیبریدی ارائه شده, مانند مدل ریز مقیاس نمایی SDSM, از دو گام طبقه بندی و رگرسیون تشکیل شده است. مدل MARS برای طبقه بندی وقوع بارش و الگوریتم های ANN و KNN برای تعیین مقدار بارش به کار برده شده اند. نتایج مدل MARS برای تعیین وقوع بارش نشان می دهد که مدل مذکور نسبت به مدل SDSM از دقت بیش تری برخوردار است. با مقایسه نتایج ریز مقیاس نمایی مشاهده می شود که الگوریتم ANN نسبت به مدل SDSM و الگوریتم KNN دارای دقت بیش تری در تعیین میانگین سالانه و ماهانه بارش است. به طوری که در ایستگاه شهرکرد مقدار معیار R برای الگوریتم ANN نسبت به مدل SDSM به اندازه 54 درصد دقیق تر است. هم چنین, الگوریتم های ANN, KNN و SDSM از نظر بیش ترین دقت در سه ایستگاه بررسی شده, با در نظر گرفتن میانگین, انحراف معیار و ضریب چولگی ماهانه به ترتیب در رتبه های اول, دوم و سوم قرار داده می شوند. در نهایت, مقدار تغییرات بارش در دوره آینده نزدیک (2020-2040) و آینده دور (2070-2100) تحت سناریو های A2 و B2 مدل HADCM3 بررسی شد. نتایج نشان داد که کم ترین کاهش بارش (2 درصد) مربوط به الگوریتم ANN (در ایستگاه شهرکرد) و سناریوی A2 در دوره آینده نزدیک و بیش ترین آن (54 درصد) مربوط به مدل SDSM (در ایستگاه یاسوج) و سناریوی A2 در دوره آینده دور می باشد. در نهایت می توان نتیجه گرفت که هیبرید ماشین های یادگیری نسبت به مدل SDSM, از دقت بیشتری برخوردار است و می توان از مدل معرفی شده به عنوان جایگزین مدل SDSM استفاده کرد.

استنادها

ارجاعات

  • ثبت نشده است.
  • استناددهی

    APA: کپی

    ولیخان انارکی، مهدی، موسوی، سیدفرهاد، فرزین، سعید، و کرمی، حجت. (1399). معرفی یک مدل غیر خطی بر اساس هیبرید ماشین های یادگیری به منظور مدل سازی و پیش بینی بارش و مقایسه با روش SDSM (مطالعات موردی: شهرکرد, بارز و یاسوج). تحقیقات آب و خاک ایران (علوم کشاورزی ایران)، 51(2 )، 325-339. SID. https://sid.ir/paper/366173/fa

    Vancouver: کپی

    ولیخان انارکی مهدی، موسوی سیدفرهاد، فرزین سعید، کرمی حجت. معرفی یک مدل غیر خطی بر اساس هیبرید ماشین های یادگیری به منظور مدل سازی و پیش بینی بارش و مقایسه با روش SDSM (مطالعات موردی: شهرکرد, بارز و یاسوج). تحقیقات آب و خاک ایران (علوم کشاورزی ایران)[Internet]. 1399؛51(2 ):325-339. Available from: https://sid.ir/paper/366173/fa

    IEEE: کپی

    مهدی ولیخان انارکی، سیدفرهاد موسوی، سعید فرزین، و حجت کرمی، “معرفی یک مدل غیر خطی بر اساس هیبرید ماشین های یادگیری به منظور مدل سازی و پیش بینی بارش و مقایسه با روش SDSM (مطالعات موردی: شهرکرد, بارز و یاسوج)،” تحقیقات آب و خاک ایران (علوم کشاورزی ایران)، vol. 51، no. 2 ، pp. 325–339، 1399، [Online]. Available: https://sid.ir/paper/366173/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