پیش بینی دماهای ماهانه ایستگاه های همدید منتخب استان اصفهان، با استفاده از شبکه عصبی مصنوعی پرسپترون چندلایه

Authors

  • عزیزی, حمیدرضا گروه جغرافیا،دانشگاه آزاد اسلامی، واحد نجف آباد،اصفهان،ایران
  • منتظری, مجید گروه جغرافیا،دانشگاه آزاد اسلامی، واحد نجف آباد،اصفهان،ایران
Abstract:

پیش بینی دما از کاربردی ترین برآوردهای عناصر آب و هوایی است. امروزه بخش های کشاورزی و صنعت وابستگی زیادی به شرایط دمایی (آب و هوا) دارند. دما یکی از فراسنج های بسیار مهم آب و هوایی است و از عوامل اصلی هویت آب و هوایی هر ناحیه محسوب می شود. هدف از انجام این پژوهش، مدل سازی برای پیش بینی میانگین دمای ماهانه ایستگاه های منتخب استان اصفهان است؛ از این رو، پس از بررسی طول دوره آماری ایستگاههای موجود در استان، سه ایستگاه همدید ازن سنجی، شرق اصفهان و کاشان انتخاب شدند. از آنجا که روش شبکه عصبی مصنوعی، توانایی زیادی در شبیه سازی و پیش بینی عناصر جوی و آب و هوایی؛ بویژه دما دارند، برای مدل سازی و پیشبینی دمای ماهانه از این روش استفاده شد. شبکه عصبی مصنوعی، یکی از قدرتمندترین مدل هایی است که قادر به دریافت و نمایش پیچیده روابط ورودی و خروجی داده هاست. یکی از پرکاربردترین مدلهای شبکه عصبی مدل پرسپترون چندلایه (MLP) است. برای تعیین بهترین ورودی های شبکه، پس از سعی و خطای بسیار در نهایت ساختاری با استفاده  از میانگین دمای 7 ماه قبل برای پیش بینی دمای ماه بعدی انتخاب شد. بدین ترتیب، دمای ماهانه برای 24 ماه آینده پیش بینی شد که در این حالت بهترین همبستگی را بین داده ها نشان داد. بدین منظور، از نرم افزار متلب 2013 بهره گرفته شد. در تمام ساختارهای شبکه از یک لایه پنهان متشکل از 30 نرون استفاده شد. تمامی ایستگاه ها با یک لایه پنهان به جواب رسیدند و نیازی به افزایش تعداد لایه های پنهان تشخیص داده نشد. برای آموزش شبکه از الگوریتم مارکوارت– لونبرگ استفاده شد و تمامی شبکه ها با تابع محرک تانژانت هیپربولیک به جواب مطلوب رسیدند. نتایج نشان داد که مدل شبکه عصبی مصنوعی با دقت بالایی قادر به پیش بینی دمای ماهانه است

Upgrade to premium to download articles

Sign up to access the full text

Already have an account?login

similar resources

پیش بینی بزرگای زلزله با استفاده از شبکه عصبی پرسپترون چندلایه

به دلیل نواقص موجود در روش های پیشین محاسبه بزرگای زلزله، شبکه عصبی به عنوان یک روش جدید برای این منظور آزمایش می گردد. در این مقاله نوعی شبکه عصبی با نام پرسپترون چندلایه برای پیش بینی بزرگای گشتاوری زلزله مورد استفاده قرار گرفته است. شبکه عصبی پرسپترون شامل سه لایه اصلی با نام های لایه ورودی، لایه پنهان و لایه خروجی است. ورودی های این شبکه شش متغیر مربوط به مکان و زمان وقوع زلزله و همچنین مشخ...

full text

پیش بینی خطر ورشکستگی با استفاده از شبکه های عصبی مصنوعی مبتنی بر رویکرد پرسپترون چندلایه(شواهد تجربی: بورس اوراق بهادار تهران)

زمینه: در پژوهش حاضر به شناسایی عوامل موثر بر پیش بینی ورشکستگی شرکتهای ایرانی با استفاده از سیستم شبکه های عصبی مصنوعی (ANN) بر مبنای رویکرد پرسپترون چندلایه (PS) و ارائه یک مدل آماری مناسب به منظور برآورد ورشکستگی شرکتهای ایرانی، با استفاده از یافته های حاصل از اجرای شبکه ANN پرداخته شده است. هدف: در پژهش حاضر به دنبال پاسخ گویی به این پرسش هستیم که آیا عوام...

full text

پیش بینی دمای کمینه ایستگاه کرج با استفاده از داده های شاخص های پیوند از دور و شبکه عصبی مصنوعی

توجه علمی به مخاطرات محیطی که آسیب پذیری بسیاری از کشورهای دنیا را به دنبال دارد، آغازی نسبتاً تازه دارد. یکی از این خطرها یخبندانها می باشند که سبب زیانهای عظیمی در زمینه های کشاورزی، حمل و نقل، انرژی ، زیست محیطی و غیره شده است. جهت جلوگیری از خطرات ناشی از آنها استفاده از روشهای پیش بینی امکان پیش آگاهی از حداقل دما و رخداد پدیده یخبندان را فراهم ساخته  تا مسئولان در جهت جلوگیری از آن...

full text

پیش بینی بارش ماهانه در منطقه ایران با استفاده از ترکیب شبکه های عصبی مصنوعی و فیلتر کالمن توسعه یافته

بارش باران یکی از مهم‌‌ترین پدیده‌های جوّی است که بر زندگی بشر اثر می‌گذارد. پیش‌بینی بارش باران برای اهداف مختلفی مانند برنامه‌ریزی فعالیت‌های کشاورزی، پیش‌<st...

full text

My Resources

Save resource for easier access later

Save to my library Already added to my library

{@ msg_add @}


Journal title

volume 30  issue 3

pages  241- 258

publication date 2015-12

By following a journal you will be notified via email when a new issue of this journal is published.

Keywords

No Keywords

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023