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

مشخصات مقاله

عنوان: 

پيش بيني بلند مدت بارش با استفاده از سيگنال هاي هواشناسي، کاربرد شبکه هاي عصبي مصنوعي (منطقه جنوب شرق ايران)

نوع ارائه: مقاله
نویسنده: كارآموز محمد*,رحيمي فراهاني مريم,مريدي علي
 
 *دانشکده عمران، دانشگاه تهران
 
عنوان همایش: كنفرانس مديريت منابع آب ايران
نوع همایش:  انجمن هاي علمي
حامی:  انجمن علوم و مهندسی منابع آب ایران
زمان:  1385دوره 2
 
 
چکیده: 

پيش بيني بلند مدت بارش در برنامه ريزي و مديريت منابع آب، خصوصا در مناطق با اقليم خشک و نيمه خشک، از اهميت بالايي برخوردار است. در اين مقاله، روشي براي پيش بيني بارش سيگنال هاي بزرگ مقياس اقليمي به عنوان پيش بيني کننده (Predictor) و شبکه هاي عصبي مصنوعي به عنوان ابزار شبيه سازي و پيش بيني کننده، مورد استفاده قرار گرفته اند. روش ارايه شده از دو گام تشکيل شده است. درگام اول، ارتباط بين سيگنال هاي اقليمي از جمله تغييرات فشار در تراز سطح آب دريا (SLP) و همچنين اختلاف فشار بين نقاط پر فشار و کم فشار (DSLP) با بارش منطقه مورد مطالعه تعيين مي گردد. در گام دوم، مدل شبکه عصبي مصنوعي براي پيش بيني ميزان بارش بر اساس سيگنال هاي انتخابي در گام اول توسعه داده شده است.
براي بررسي کارآيي روش پيشنهادي، از آن براي پيش بيني بارش حوزه آبريز رودخانه کاجو واقع در جنوب شرق ايران استفاده شده است. در اين راستا همبستگي بارش در 5 ماه آذر تا فروردين که 75% بارش سالانه را در بر مي گيرند، در تاخيرهاي مختلف، با سيگنال هاي اقليمي منطقه مورد بررسي قرار گرفته است. پس از تعيين سيگنال هاي موثر و نقاط شاخص، مدل شبکه عصبي براي پيش بيني بارش منطقه تدوين شده است. نتايج بدست امده نشان دهنده کارآيي مناسب و دقت قابل قبول شبکه هاي عصبي مصنوعي در پيش بيني بلند مدت بارش مي باشد به طوري که بارش هاي واقعي در 70% از سال ها در دامنه تعريف شده پيش بيني قرار مي گيرند. از اين رو، با استفاده از روش توسعه داده شده مي توان وضعيت بارش هاي حوزه را از قبل تعريف نمود و در مديريت و بهره برداري از منابع آب حوزه دخالت داد.

 
کلید واژه: پيش بيني بلند مدت بارش، سيگنال هاي بزرگ مقياس اقليمي، شبکه هاي عصبي مصنوعي
 
مقالات نشریه ای مرتبط: 
 
مقالات همایشی مرتبط: 
 
 
بازدید یکساله 126   pdf-file
 
آخرین های بلاگ
ورود به بلاگ مرکز اطلاعات علمی