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

مشخصات مقاله

عنوان نشریه: 
 
اطلاعات شماره: 
ارديبهشت 1396 , دوره  6 , شماره  4 ; از صفحه 123 تا صفحه 142 .
 
عنوان مقاله: 

پيش بيني مکاني- زماني بارش ماهانه با استفاده از شبکه باور عميق (مورد مطالعاتي: منطقه شمال غرب ايران)

 
نویسندگان: 
 
آدرس:  
* دانشکده مهندسی نقشه برداری، دانشگاه صنعتی خواجه نصیرالدین طوسی
 
چکیده: 

در جهان امروز، توسعه سريع، همه جانبه و پايدار، هدف اصلي تمامي کشورها از جمله ايران مي باشد. اصلي ترين محدوديت پيش روي توسعه پايدار، وضعيت اقليمي و شرايط محيط زيستي کشورها است. از جمله مهم ترين محدوديت هاي اقليمي در کشور ايران، بارش ناکافي همراه با پراکندگي نامناسب مکاني- زماني است. هدف اصلي اين تحقيق، پيش بيني ماهانه ميزان بارش در منطقه شمال غربي ايران با استفاده از روش هاي يادگيري ماشين شبکه عصبي کم عمق و شبکه باور عميق و همچنين تهيه نقشه پيش بيني توزيع مکاني- زماني آن در منطقه مطالعاتي مي باشد. در اين تحقيق از داده هاي بارش به همراه ساير داده هاي محيطي و هواشناسي، ازابتداي سال 1951 تا پايان سال 2014 استفاده شده است. ارتفاع و مختصات ايستگاه هاي هواشناسي نيز به عنوان پارامتر توپوگرافي از مدل رقومي ارتفاعي بدست آمد. همچنين به منظور انجام پژوهشي جامع و افزايش دقت نتايج، از داده هاي بزرگ مقياس اقليمي در کنار ساير داده ها بهره برده شده است. وجود پارامترهاي متنوع محيطي، توپوگرافي و اقليمي اثر گذار بر پديده بارش، سبب شده است که در اين تحقيق با کلان داده هاي مکاني- زماني مواجه باشيم. در اين پژوهش ابتدا داده هاي مورد نياز جمع آوري شد و بعد از آماده سازي در پايگاه داده غير رابطه اي کاساندرا ذخيره سازي گرديد. در گام بعدي دو شبکه عصبي کم عمق و شبکه باور عميق پياده سازي شد و آموزش، تست و پيش بيني با هر دو مدل صورت پذيرفت و نقشه پيش بيني توزيع مکاني- زماني بارش هر دو شبکه براي دوازده ماه سال 2014 تهيه گرديد. مقايسه مقدار بارش ماهانه به وقوع پيوسته با ميزان بارش ماهانه پيش بيني شده توسط شبکه عصبي کم عمق و شبکه باور عميق نشان داد که شبکه باور عميق از توانايي بيشتري در مواجه با کلان داده هاي مکاني- زماني و حل پيچيدگي هاي مساله پيش بيني بارش برخوردار است. همچنين در اين تحقيق از معيارهاي Accuracy، Precision،Recall و F1 score جهت ارزيابي عملکرد روش هاي پيشنهادي استفاده شد. نتايج نشان داد که مقادير Accuracy براي شبکه عصبي کم عمق و شبکه باور عميق به ترتيب برابر 0.67 و 0.71، مقادير Precision به ترتيب 0.69 و 0.69، مقادير Recall به ترتيب 0.7 و 0.8 و مقادير F1 score به ترتيب 0.69 و 0.74 مي باشد.

 
کلید واژه: 

 
موضوعات مرتبط: 
 
ارجاعات: 
  • ندارد
 
Cite:
APA : کپی

رحیمی، ه.، و فرنقی، م. (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. https://www.sid.ir/fa/journal/ViewPaper.aspx?id=315135



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. 1396 [cited 2021April17];6(4 ):123-142. Available from: https://www.sid.ir/fa/journal/ViewPaper.aspx?id=315135



IEEE : کپی

رحیمی، ه.، فرنقی، م.، 1396. پیش بینی مکانی- زمانی بارش ماهانه با استفاده از شبکه باور عمیق (مورد مطالعاتی: منطقه شمال غرب ایران). علوم و فنون نقشه برداری, [online] 6(4 ), pp.123-142. Available at: <https://www.sid.ir/fa/journal/ViewPaper.aspx?id=315135>.



 
 
مقالات نشریه ای مرتبط: 
 
مقالات همایشی مرتبط: 
 

 
چکیده انگلیسی بازدید یکساله 110 مباني نظري و تجربي ونداليسم: مروري بر يافته هاي يك تحقيق
 
آخرین های بلاگ
ورود به بلاگ مرکز اطلاعات علمی