کاربرد شبکه عصبی مصنوعی در شبیهسازی عناصر اقلیمی و پیشبینی سیکل خشکسالی ) مطالعه موردی: استان اصفهان(
Authors
Abstract:
اربرد شبکه عصبی مصنوعی در شبیهسازی عناصر اقلیمی و پیشبینی سیکل خشکسالی ) مطالعه موردی: استان اصفهان( چکیده در این پژوهش، از شبکههای عصبی مصنوعی ( Artificial Neural Networks ) به عنوان ابزاری توانمند در مدل سازی فرآیندهای غیرخطی و نامعین، به منظور پیشبینی سیکل خشکسالی در20 ایستگاه سینوپتیک، کلیماتولوژی و هیدرومتری استان اصفهان که حداقل20 سال آمار روزانه داشتند، استفاده شد. از نرمافزار MATLAB-7 و در شاخه Neural Network ، برای پیشبینی وتجزیه و تحلیل عناصراقلیمی کمک گرفته شد. ورودی مدلهای ANN ، دادههای میانگینماهانه بارش، دبی حداقل و دمایبیشینه است که این دادهها، بازه زمانی سالهای1360 تا1383 را در بر میگیرند. اطلاعات20 ساله برای آموزش مدل ها و 4 سال باقی مانده برای آزمایش آنها به کاررفته است. شبکه مورد استفاده از نوع پرسپترون چندلایه( Multi - layer P erceptron ) با الگوریتم پسانتشارِخطا ( Back Propagation ) و تکنیک یادگیری مارکوارت- لونبرگ ( Train LM: Levenberg-Marquardt ) است. ساختارهای گوناگونی از شبکه عصبی با تغییر در لایههای ورودی (6 مدل)، تعداد گرهها در لایههای پنهان و خروجی (2 الی20 گره) ایجاد گردید. نتایج حاصل از تحقیق حاضر، نشان میدهد که در میان الگوهای مورد بررسی، دمایبیشینه، دبی و بارش، نقش مثبتی در پیشبینی خشکسالیهای استان اصفهان داشته، با کاربرد شبکه عصبی مصنوعی میتوان با دقت بالای 95 درصد، سیکل خشکسالی استان را پیشبینی نمود.
similar resources
بررسی تأثیر عناصر اقلیمی بر افزایش دقت روش شبکه عصبی مصنوعی در پیشبینی خشکسالی منطقه یزد
Drought is a natural feature of the climate condition, and its recurrence is inevitable. The main purpose of this research is to evaluate the effects of climatic factors on prediction of drought in different areas of Yazd based on artificial neural networks technique. In most of the meteorological stations located in Yazd area, precipitation is the only measured factor while generally in synopt...
full textمقایسه روشهای شبکه عصبی مصنوعی و رگرسیون چند متغیره در پهنهبندی خطر زمینلغزش، مطالعه موردی: حوضه ونک، استان اصفهان
زمینلغزشها از مهمترین خطرات طبیعی هستند که نه تنها زندگی انسان را به خطر میاندازند، بلکه باعث ایجاد بار اقتصادی برای جامعه میشوند. با توجه به اهمیت تشخیص مناسبترین روش برآورد صحیح خطر زمینلغزش، در این پژوهش میزان کارایی دو روش شبکه عصبی مصنوعی و رگرسیون چندمتغیره مقایسه شد. بدین منظور ابتدا با استفاده از عکسهای هوایی، تصاویر ماهوارهای، نقشههای زمینشناسی و بررسیهای میدانی نقش...
full textمقایسهی شبکه عصبی و سریهای زمانی در پیشبینی خشکسالی (مطالعه موردی: استان خراسان رضوی)
جهت کاهش خسارات ناشی از خشکسالی لازم است تا شرایط آینده از نظر خشکسالی تعیین گردد. در این پژوهش عملکرد مدلهای سریهای زمانی( ARIMA ) و شبکه عصبی (پرسپترون چند لایه) در پیشبینی مقادیر SPI مقایسه گردید. بدین منظور در ابتدا مقادیر SPI سه، شش، نه و دوازده ماهه استان خراسان رضوی تعیین کرده و سپس با استفاده از مدلهای شبکه عصبی مصنوعی و سریهای زمانی اقدام به پیشبینی مقادیر SPI گردید. نتایج این ...
full textکاربرد شبکه عصبی مصنوعی در حسابرسی
چکیده بسیاری از فرآیندهای حسابرسی به سرعت در حال تغییرند. یکی از مسایل مهم حسابرسی این است که چگونه فناوری اطلاعات بر فرآیند حسابرسی ومهارتهای حسابرسی تأثیر میگذارد. حسابرسان باید از آمادگیهای لازم برای فعالیت در این محیط جدید برخورار باشند. یافتههای تازه در قلمرو فناوری اطلاعات و ارتباطات، حسابرسان را در نظارت و کنترل عملیات شرکت صاحبکار یاری میرسانند از جمله امکاناتی که در این محیط جدید...
full textکاربرد شبکه عصبی مصنوعی در مدلسازی توسعه شهری (مطالعه موردی: شهر گرگان)
مدلهای شبکه عصبی مصنوعی از مدلهای اطلاعاتمحور بهشمار میآیند. مدل تبدیل کاربری/ پوشش زمین، از مدلهایی است که شبکه عصبی مصنوعی را با سیستم اطلاعات جغرافیایی مرتبط میسازد و برای مدلسازی توسعه شهری در شهر گرگان در دوره زمانی سالهای 2001-1987 از همین مدل استفاده شد. این مدل از 6 برنامه کاربردی که در برنامه MS-DOS اجرا میشود، تشکیل شده است. در این مطالعه، سه گروه از متغیرها شامل متغیرهای بی...
full textکاربرد شبکة عصبی مصنوعی در پیشبینی و شبیهسازی شاخص اقلیمی خشکسالی هواشناسی دهک بارش (مطالعة موردی: استان سیستان و بلوچستان)
محدودیت منابع آب ناشی از خشکسالیهای متوالی، از مهمترین معضلات استان سیستان و بلوچستان است.در این پژوهش برای پیشبینی سیکل خشکسالی در 9 ایستگاه هواشناسی استان سیستان و بلوچستان از شبکة عصبی مصنوعی استفاده شد. دادههای مورد استفادة ورودی شبکه شامل بارش سالانه و شاخص دهک بارش (DPI) ایستگاهها است که از سال 1350 تا 1379 برای آموزش مدل و از سال 1380 تا 1387 برای اعتبارسنجی شبکه است. شبکة مورد ا...
full textMy Resources
Journal title
volume 21 issue 3
pages 107- 120
publication date 2010-10-23
By following a journal you will be notified via email when a new issue of this journal is published.
Hosted on Doprax cloud platform doprax.com
copyright © 2015-2023