بررسی تغییرات زمانی بارش در استان همدان با استفاده از مدلهای آماری و شبکه عصبی مصنوعی

Authors

زهره مریانجی

استادیار گروه جغرافیا - دانشگاه سید جمال الدین اسد آبادی، همدان، ایران حامد عباسی

استادیار گروه علوم جغرافیایی دانشگاه لرستان، ایران

abstract

تغییر اقلیم یکی از معضلهای کنونی جامعه بشری است و تهدید و بلای سیاره زمین به شمار میآید افزایش دمای کره زمین سبب تغییرات ژرف و وسیع در اقلیمهای زمین شده و باعثبروز تغییراتی در زمان و مکان بارش می شود که آسیبهای بسیاری را خصوصاً در دهه اخیر وارد کرده است. در این راستا این پژوهش با شناخت تغییرات و روند فصل و دوره بارش در گذشته به الگوهای مؤثر بارش در بازههای مختلف زمانی میپردازد و پیش بینی تغییرات در آینده را از روش شبکه عصبی مصنوعی امکان پذیر میکند. در انجام این پژوهش از دادههای - دو ایستگاه سینوپتیک همدان و نوژه استفاده شده دوره آماری مورد مطالعه نیز 92 ساله ) 32 4924 ( انتخاب شده است. بر اساس یافتههای این پژوهش به نظر میرسد فصل بارندگی در ناحیه مرکزی استان همدان در دهه اخیر دیرتر آغاز و دیرتر به پایان میرسد به عبارتی آغاز فصل بارندگی در همدان که در فصل پاییز رخ میداد به سمت زمستان میرود و فصل پاییز خشکتر از دورههای قبل است این نشان از جابه جایی فصل بارندگی در این ناحیه است. در استفاده از روش شبکه عصبی توجه به دو نکته مهم در پیشبینی بارش ضروری به نظر میرسد یکی دقت پایین شبکه عصبی در پیش بینی دراز مدت بارش است اگر چه این روش در پیش بینیهای کوتاه مدت دقت بهتری دارد و دیگری اغراق در مقادیر حداقل و حداکثربارش در فصول مختلف سال است.

Upgrade to premium to download articles

Sign up to access the full text

Already have an account?login

similar resources

ریزمقیاس کردن مکانی – زمانی سری های زمانی بارش با استفاده از مدل ترکیبی موجک – شبکه عصبی مصنوعی

با توجه به نیاز شبیه سازی سری های زمانی بارش در مقیاس های مختلف برای مقاصد مهندسی از یک طرف و عدم ثبت این پارامترها در مقیاس های ریز بدلیل مشکلات اجرایی و اقتصادی از طرف دیگر، ریزمقیاس کردن بارش به مقیاس مورد نظر، یک امر ضروری می باشد. در این مطالعه، برای ریزمقیاس کردن سری زمانی بارش ایستگاه های تبریز و سهند، با توجه به ویژگی های غیرخطی مقیاس های زمانی، مدل ترکیبی موجک - شبکه عصبی مصنوعی (WANN)...

full text

مدل‌سازی بارش- رواناب با استفاده از شبکه عصبی مصنوعی و شبکه فازی- عصبی تطبیقی در حوزه آبخیز کسیلیان

     Rainfall runoff modeling and prediction of river discharge is one of the important practices in flood control and management, hydraulic structure design and drought management. The present article aims to simulate daily streamflow in Kasilian watershed using an artificial neural network (ANN) and neuro-fuzzy inference system (ANFIS). The intelligent methods have the high potential for dete...

full text

آشکارسازی آماری اثر گرمایش جهانی بر ناهنجاری‌های بارش سالانه جلفا با استفاده از شبکه‌های عصبی مصنوعی

چکیده در این تحقیق ، داده‌های مربوط به ناهنجاری‌های دمایی کره زمین و بارش متوسط سالانه ایستگاه جلفا در طی دوره آماری 2003-1960 استفاده شده است. روش‌های اصلی به کار گرفته شده در این مطالعه، عبارت از: روش تعیین ضریب همبستگی پیرسون، تحلیل مولفه روند سری‌های زمانی، رگرسیون خطی ساده و شبکه‌های عصبی مصنوعی. نتایج حاصل از کاربرد و تحلیل همبستگی پیرسون، نشان دهنده همبستگی منفی و معکوس معنی داری بین بار...

full text

My Resources

Save resource for easier access later


Journal title:
جغرافیای طبیعی

جلد ۸، شماره ۲۹، صفحات ۶۳-۷۴

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023