پیش بینی خشکسالی یک ساله با استفاده از مدل فازی-عصبی، سری های زمانی خشکسالی و شاخصهای اقلیمی (مطالعه موردی: زاهدان)

Authors

حسین حسین پور نیکنام

مهدی اژدری مقدم

محمود خسروی

abstract

تحقیق حاضر تلاشی برای پیش بینی خشکسالی یک سال بعد در شهر زاهدان با استفاده از مقادیر پیشین شاخص خشکسالی بارندگی استاندارد شده (spi) و 19 عدد از شاخصهای اقلیمی است. به این منظور از قابلیتهای سیستم استنتاج فازی- عصبی تطبیقی (anfis) برای ساخت مدل های پیش بینی و از شاخص خشکسالی spi برای نمایش کمّی خشکسالی استفاده گردید. در ابتدا از روش محاسبه همبستگی برای تحلیل ارتباط میان خشکسالی ها و شاخصهای اقلیمی استفاده شده و مناسب ترین شاخصهای اقلیمی انتخاب گردیدند. در مرحله بعد پیش بینی خشکسالی ها در مقیاس زمانی 12 ماهه صورت پذیرفت. ترکیبات مختلفی از متغیرهای ورودی در مدل های پیش بینی فازی- عصبی anfis وارد گردیدند. شاخص خشکسالی spi نیز به عنوان خروجی مدل ها معرفی شد. نتایج نشان داد که تنها استفاده از سری های زمانی مشابه سال قبل شاخص خشکسالی spi در پیش بینی خشکسالی های 12 ماهه مؤثر است. با این حال از بین شاخصهای اقلیمی مورد بررسی، شاخص nino4 مناسب ترین نتایج را ارائه داد.

Upgrade to premium to download articles

Sign up to access the full text

Already have an account?login

similar resources

پیش‌بینی خشکسالی یک‌ساله با استفاده از مدل فازی-عصبی، سری‌های زمانی خشکسالی و شاخصهای اقلیمی (مطالعه موردی: زاهدان)

تحقیق حاضر تلاشی برای پیش‌بینی خشکسالی یک سال بعد در شهر زاهدان با استفاده از مقادیر پیشین شاخص خشکسالی بارندگی استاندارد شده (SPI) و 19 عدد از شاخصهای اقلیمی است. به این منظور از قابلیتهای سیستم استنتاج فازی- عصبی تطبیقی (ANFIS) برای ساخت مدل‌های پیش‌بینی و از شاخص خشکسالی SPI برای نمایش کمّی خشکسالی استفاده گردید. در ابتدا از روش محاسبه همبستگی برای تحلیل ارتباط میان خشکسالی‌ها و شاخصهای اقلیم...

full text

پیش‌بینی خشکسالی با استفاده از مدل فازی-عصبی، شاخص‌های اقلیمی، بارندگی و شاخص خشکسالی (مطالعه موردی: زاهدان)

هدف تحقیق حاضر، پیش‌بینی خشکسالی‌های پاییزه‌ی زاهدان به وسیله متغیّرهای ورودی مختلف می‌باشد. این متغیّرها عبارتند از: بارندگی، مقادیر پیشین شاخص خشکسالی SPI و 19 عدد از شاخص‌های اقلیمی. برای این منظور، میانگین سه ماهه اکتبر- نوامبر- دسامبر شاخص خشکسالی SPI به عنوان متغیّر خروجی انتخاب شد. سپس هرکدام از متغیّرهای ورودی یاد شده، در تأخیرهای زمانی صفر، 1، 2 و 3 ماهه (به ترتیب میانگین سه ماهه اکتبر-نوا...

full text

استفاده از مدل فازی- عصبی و شاخص های اقلیمی جهت پیش بینی خشکسالی، مطالعه موردی زاهدان

تحقیق حاضر تلاشی است برای پیش بینی خشکسالی در شهر زاهدان با استفاده از متغیرهای بارندگی، مقادیر پیشین شاخص خشکسالی بارندگی استاندارد شده (spi) و 19 عدد از شاخص های اقلیمی. بدین منظور از قابلیت های سیستم استنتاج فازی- عصبی تطبیقی (anfis) برای ساخت مدل های پیش بینی و از شاخص خشکسالی spi برای نمایش کمی خشکسالی استفاده گردید. در ابتدا از روش محاسبه همبستگی، برای تحلیل ارتباط میان خشکسالی در مقیاس ه...

پیش بینی خشکسالی با استفاده از مدل تلفیقی شبکه عصبی مصنوعی- موجک و مدل سری زمانیARIMA

تبدیل موجک یکی از روش­های نوین و بسیار موثر در زمینه تحلیل سیگنال­ها و سری­های زمانی است. در این روش سیگنال شاخص بارش استاندارد (SPI) با استفاده از موجک مادر منتخب تجزیه شده، داده­های حاصل به­عنوان ورودی مدل شبکه عصبی مصنوعی در نظر گرفته شده و یک مدل تلفیقی برای پیش­بینی خشکسالی ارائه می­گردد. در این تحقیق، از شبکه­های عصبی مصنوعی پرسپترون چند لایه (MLP) و تابع پایه‌ای شعاعی ((RBF، سری زمانی AR...

full text

پایش، تحلیل و پیش بینی خشکسالی با استفاده از سری های زمانی، مطالعه موردی: استان هرمزگان

با توجه به قرار گرفتن استان هرمزگان در ناحیه ی آب و هوایی خشک و نیمه خشک ایران و وقوع خشکسالی های مکرر به ویژه در سال های اخیر، اهمیت توجه به پایش و پیش بینی خشکسالی بیش از پیش ضروری می نماید. در این تحقیق به منظور بررسی فراوانی و تداوم وقوع خشکسالی از شاخص خشکسالی spi ماهانه و سالانه استفاده شده است. به این منظور پس از اخذ آمار و اطلاعات بارندگی ایستگاه های باران سنجی و سینوپتیک مستقر در سطح ا...

15 صفحه اول

My Resources

Save resource for easier access later


Journal title:
فصلنامه علمی- پژوهشی آب و فاضلاب

Publisher: مهندسین مشاور طرح و تحقیقات آب و فاضلاب

ISSN 1024-5936

volume 23

issue 2 2012

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023