برای اطلاع از آخرین مقالات علمی و اخبار کرونا(COVID-19) کلیک کنید

مشخصات مقاله

عنوان نشریه: 
 
اطلاعات شماره: 
1394 , دوره  22 , شماره  6 ; از صفحه 135 تا صفحه 152 .
 
عنوان مقاله: 

پيش بيني بارش ماهانه ايستگاه سينوپتيک کرمانشاه با استفاده از مدل ترکيبي شبکه عصبي و موجک

 
نویسندگان: 
 
آدرس:  
* گروه جغرافیا، دانشگاه یزد
 
چکیده: 

سابقه و هدف: بارش به عنوان يکي از عناصر مهم هواشناسي، مطرح مي باشد که شناخت لازم از ميزان اين عنصر، تغييرات و پيش بيني آن، از يک سو به جهت داشتن برنامه ريزي دقيق تر در مديريت بخش هاي کشاورزي، اقتصادي و اجتماعي ضروري مي نمايد و به همين دليل مورد توجه هيدرولوژيست ها و اقليم شناسان مي باشد. با توجه به اهميت پيش بيني بارش در برنامه ريزي ها و مديريت بحران هدف اين مطالعه اجراي يه مدل ترکيبي شبکه عصبي و تبديل موجک براي پيش بيني بارش ماهانه در ايستگاه سينوپتيک کرمانشاه است.
مواد و روش ها: در اين مطالعه براي پيش بيني سري زماني بارش ماهانه ايستگاه سينوپتيک کرمانشاه، از داده هاي پنج پارامتر اقليمي، ميانگين بارش ماهانه، ميانگين رطوبت نسبي، ميانگين حداکثر دما، ميانگين حداقل دما و ميانگين سرعت باد در دوره اماري 40 سال (
2010-1970) استفاده شد. جهت کنترل کيفيت آمار و اطلاعات موجود از آزمون توالي استفاده شده است. نتايج نشان داد که داده هاي مزبور از همگني لازم برخوردار مي باشند و سپس با توجه به ويژگي هاي غيرخطي مقياس هاي زماني چندگانه، براي پيش بيني بارش، از مدل شبکه عصبي و موجک استفاده شد.
يافته ها: براي پيش بيني بارش از چهار پارامتر: ميانگين رطوبت نسبي، ميانگين حداکثر دما، مينگين حداقل دما و ميانگين سرعت باد استفاده و به وسيله تبديل موجکي به 8 زيرسري زماني چند فرکانسي تجزيه شد و سپس براي پيش بيني بارش ماهانه آينده، اين سري ها به عنوان داده هاي ورودي به مدل شبکه عصبي مصنوعي وارد شد. ضرايب همبستگي (
R=0.874) در پيش بيني 1 ماه بعد نشان دهنده اجراي نسبتا پايين شبکه عصبي در مدلسازي مي باشد. در حالي که ضريب همبستگي مدل شبکه عصبي- موجکي 0.94 است. همچنين دقت پيش بيني در هر دو مدل با افزايش تعداد تاخيرها در نرون خروجي کاهش مي يابد. لازم به ذکر است که در پيش بيني توسط شبکه عصبي موجکي از موجک مير استفاده شد که نتايج شبيه سازي توسط موجک مير از ميزان دقت بالايي برخوردار است، با توجه به آماره F تحليل واريانس شاخص هاي همگني و ناهمگني بارش مشاهده شده و بارش پيش بيني شده توسط مدل در سطح اطمينان %99 (P<0.008) همگن مي باشد.
نتيجه گيري: نتايج به دست آمده از تبديل موجک- شبکه عصبي با نتايج حاصل از کاربرد شبکه عصبي، مقايسه شده و ملاحظه گرديد که روش موجک- شبکه عصبي نسبت به روش شبکه عصبي دقت پيش بيني بالاتري دارد و همچنين دقت پيش بيني در هر دو مدل با افزايش تعداد تاخيرها در نرون خروجي کاهش مي يابد. لازم به ذکر است که در پيش بيني توسط شبکه عصبي موجکي از موجک مير استفاده شد که نتايج شبيه سازي توسط موجک مير از ميزان دقت بالايي برخوردار است.

 
کلید واژه: 

 
موضوعات مرتبط: 
 
ارجاعات: 
  • ندارد
 
 
مقالات نشریه ای مرتبط: 
 
مقالات همایشی مرتبط: 
 

  چکیده انگلیسی بازدید یکساله 164
 
 
آخرین های بلاگ
ورود به بلاگ مرکز اطلاعات علمی