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:

375
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

دانلود:

618
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

استناد:

اطلاعات مقاله نشریه

عنوان

ارزیابی کارایی مدل هیبریدی GRU-LSTM در پیش بینی طوفان های گرد و غبار (مطالعه موردی: استان خوزستان)

صفحات

 صفحه شروع 16 | صفحه پایان 32

چکیده

 درک صحیح از وقوع طوفان های گرد و غبار در هر منطقه و آگاهی از تغییرات زمانی-مکانی این پدیده به مدیریت و کاهش خسارت های ناشی از گرد و غبار کمک شایانی می کند. در سال های اخیر, توسعه فرامدل ها و ترکیب آن ها با الگوریتم های بهینه سازی به منظور مدل سازی و پیش بینی متغیرهای آب و هوایی, مورد توجه زیادی قرار گرفته است. از این رو در مطالعه حاضر, نوعی رویکرد ترکیبی به منظور پیش بینی فراوانی روزهای همراه با طوفان گرد و غبار (FDSD) در مقیاس فصلی پیشنهاد شده که در آن از ترکیب شبکه های عصبی LSTM و GRU استفاده می شود. در این پژوهش, عملکرد مدل هیبریدی پیشنهادی با شبکه عصبی مبتنی بر توابع پایه شعاعی (RBF) و ماشین بردار پشتیبان (SVM) مورد مقایسه قرار گرفته است. بدین منظور, از داده های ساعتی گرد و غبار و کدهای سازمان جهانی هواشناسی در مقیاس فصلی با طول دوره آماری 30 ساله (2019-1990) در هفت ایستگاه سینوپتیک استان خوزستان استفاده شد. نتایج معیارهای ارزیابی در مرحله آموزش و آزمایش مدل ها نشان داد که مدل هیبریدی GRU-LSTM عملکرد بهتری نسبت به سایر مدل های مورد استفاده به منظور پیش بینی فراوانی روزهای همراه با طوفان گرد و غبار ارایه می نماید؛ به طوری که مدل هیبریدی پیشنهادی با ضریب همبستگی (0/988-0/905=R), ریشه میانگین مربعات خطا (RMSE=0/313-0/402 day), میانگین قدر مطلق خطا (MAE= 0/144-0/226 day) و ضریب نش-ساتکلیف (0/903-0/819=NS), عملکرد بهتری نسبت به سایر مدل های مورد استفاده در پیش بینی شاخص FDSD داشته است. در مجموع با مقایسه مدل های مورد استفاده, روش هیبریدی GRU-LSTM بهترین عملکرد و بعد از آن مدل SVM بهترین نتیجه را ارایه نمود. لذا مدل هیبریدی پیشنهادی می تواند به عنوان ابزاری مناسب جهت پیش بینی شاخص FDSD و به تبع آن اتخاذ تصمیمات مدیریتی به منظور کاهش خسارات طوفان های گرد و غبار, در منطقه مطالعاتی مورد استفاده قرار گیرد.

استنادها

  • ثبت نشده است.
  • ارجاعات

  • ثبت نشده است.
  • استناددهی

    APA: کپی

    انصاری قوجقار، محمد، عراقی نژاد، شهاب، بذرافشان، جواد، زهرایی، بنفشه، و پارسی، احسان. (1400). ارزیابی کارایی مدل هیبریدی GRU-LSTM در پیش بینی طوفان های گرد و غبار (مطالعه موردی: استان خوزستان). تحقیقات منابع آب ایران، 17(1 )، 16-32. SID. https://sid.ir/paper/960514/fa

    Vancouver: کپی

    انصاری قوجقار محمد، عراقی نژاد شهاب، بذرافشان جواد، زهرایی بنفشه، پارسی احسان. ارزیابی کارایی مدل هیبریدی GRU-LSTM در پیش بینی طوفان های گرد و غبار (مطالعه موردی: استان خوزستان). تحقیقات منابع آب ایران[Internet]. 1400؛17(1 ):16-32. Available from: https://sid.ir/paper/960514/fa

    IEEE: کپی

    محمد انصاری قوجقار، شهاب عراقی نژاد، جواد بذرافشان، بنفشه زهرایی، و احسان پارسی، “ارزیابی کارایی مدل هیبریدی GRU-LSTM در پیش بینی طوفان های گرد و غبار (مطالعه موردی: استان خوزستان)،” تحقیقات منابع آب ایران، vol. 17، no. 1 ، pp. 16–32، 1400، [Online]. Available: https://sid.ir/paper/960514/fa

    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