پیشبینی فراوانی وقوع گرماهای فرین با استفاده از روشهای شبکه عصبی مصنوعی و رگرسیون خطی در ایران مرکزی

thesis
abstract

رویدادهای اقلیمی فرین، پدیدههایی هستند که از نظر شدت و فراوانی کمیاب هستند. عمده فعالیت های انسانی براساس دما پایه گذاری شده و ارگانیسم و فعالیت های ذهنی و بدنی انسان و اغلب زیستمندان، نسبت به دماهای فرین به شدت حساس بوده و دچار مشکل می شود. گرماهای فرین از تظاهرات اصلی تغییرات اقلیمی جهان معاصر هستند که به لحاظ وقوع و صدمات جانی و مالی به بار آمده، بسیار حائز اهمیت می باشد. روزهای گرم از حالت های دمایی و رخداد آن ها یکی از حالت ها و پدیده های مهم اقلیمی به شمار می آید. در این تحقیق، منظور از گرمای فرین، دمای فرین می باشد. نوع تحقیق کاربردی- توسعه ای و روش آن کمی- تحلیلی است. هدف از این پژوهش پیش بینی فراوانی وقوع گرماهای فرین با استفاده از آمار روزانه هواشناسی ایستگاه های یزد، طبس، بافق، رباط پشت بادام، کرمان، کهنوج، شهربابک، بافت، اصفهان و کاشان طی دوره مشترک آماری 21 ساله (1372- 1392) می باشد. با استفاده از روشهای صدک 90 و میانگین، آستانه گرماهای فرین تعریف و براساس آن، فراوانی ماهانه گرمای فرین هر ایستگاه مورد بررسی قرار گرفت. برای بررسی فراوانی فصلی هر ایستگاه نیز، آستانه براساس میانگین گیری بین آستانه های هر سه ماه، تعریف شد. برای ارائه مدل برتر پیش بینی فراوانی وقوع گرماهای فرین از دو روش رگرسیون خطی و روش غیرخطی شبکه عصبی بهره برده شد. در این تحقیق، تأثیر فراسنجهای بارش، رطوبت نسبی، سرعت باد، دمای حداقل و دمای میانگین بر روی دمای حداکثر، برای وقوع گرماهای فرین با استفاده از این دو روش بررسی گردید. نتایج تحقیق نشان داد که بیشترین فراوانی وقوع گرمای فرین در فصول بهار و پاییز حادث می شود. آزمون سه نوع شبکه های عصبی نشان داد که شعاعی و نارکس قادرند با دقت بالا و میزان خطای کمتری نسبت به شبکه های عصبی پرسپترون چندلایه به پیش بینی و شبیه سازی دماهای حداکثر بپردازند. مقایسه داده های پیش بینی شده و داده های واقعی نشان از توانایی شبکه عصبی توابع شعاعی نسبت به دو شبکه دیگر دارد. شبکه توابع شعاعی در ماه های اردیبهشت، تیر، مرداد، شهریور، مهر و آذر بالاترین کارایی و پایین ترین خطا را حاصل کردند. در ماه اسفند میزان کارایی رگرسیون نسبت به شبکه بالاتر می باشد اما به دلیل بیشتر بودن خطای آن نسبت به شبکه از تأثیرگذاری کارایی کاسته می شود، در نتیجه شبکه توابع شعاعی مناسب تر می باشد.

similar resources

تخمین مدول الاستیسیته سنگ بکر با استفاده از شبکه عصبی مصنوعی و رگرسیون غیر خطی

مدول الاستیسیته سنگ بکر یکی از ملزومات اساسی بسیاری از مطالعات ژئومکانیکی و به ویژه پروژه های حفاری سنگ می باشد. برای تعیین مستقیم مدول الاستیسیته نمونه مغزه‌های باکیفیت بالا و هندسه مناسب مورد نیاز بوده و تهیه نمونه‌های مناسب از سنگ‌های شکسته و هوازده برای این منظور به آسانی امکان­پذیر نیست. بنابراین مدل‌های پیش­بینی مدول الاستیسیته براساس خصوصیات شاخص سنگ بکر ارائه گردیده­اند. در این مطالعه ب...

full text

پیش‌بینی اسلامپ بتن با استفاده از مدل شبکه عصبی مصنوعی و روش رگرسیون چندمتغیره خطی

روش‌های مختلفی جهت اندازه‌گیری کارایی بتن وجود دارد که یکی از متداول‌ترین و معمول‌ترین روش‌ها، آزمایش اسلامپ است. جهت دست‌یابی به مخلوط‌های بتنی با اسلامپ مورد نظر، باید مخلوط‌های مختلف بتنی ساخته شود و آزمایش اسلامپ بر روی آن‌ها صورت گیرد. جهت صرفه‌جویی در زمان، هزینه و مصالح بهتر است از روش‌های هوشمندی جهت پیش‌بینی اسلامپ بتن بر اساس نتایج مربوط به تعداد معینی از مخلوط‌های بتنی استفاده شود. د...

full text

مقایسه مدل‌های شبکه عصبی مصنوعی و رگرسیون خطی در پیش‌بینی وقوع آتش سوزی جنگل و مراتع استان مازندران

آتش سوزی‌های طبیعی با وارد آوردن خسارت‌های جبران ناپذیر به مناطق مرتعی و جنگلی سبب تغییر در اکولوژی منظر می‌شوند. هدف از این تحقیق مقایسه مدل های شبکه عصبی مصنوعی و رگرسیون خطی در پیش بینی خطر آتش سوزی جنگل‌ها و مراتع استان مازندران است. به این منظور، از داده‌های آتش سوزی شامل سطح سوخته شده و تعداد وقوع آتش سوزی و هم چنین از داده‌های هواشناسی در یک دوره 7 ساله (1385-1391) استفاده شد. نتایج حاصل...

full text

برآورد دمای خاک از داده‌های هواشناسی با استفاده از مدل‌های یادگیری ماشین سریع، شبکه عصبی مصنوعی و رگرسیون خطی چندگانه

دمای خاک عامل کلیدی است که فرآیندها و خصوصیات فیزیکی، شیمیایی و بیولوژیکی خاک را کنترل می­کند؛ لذا بر کمیت و کیفیت تولید محصولات کشاورزی تأثیر می­گذارد. هدف از انجام این پژوهش برآورد دمای خاک با استفاده از پارامترهای هواشناسی به روش­های مختلف ماشین یادگیری بوده است. بدین منظور داده‌های هواشناسی و دمای خاک در عمق‌های 5، 10، 20، 30، 50 و 100 سانتی‌متری از 17 ایستگاه‌ سینوپتیک استان خوزستان مربوط ...

full text

مدل‌سازی عرض عملیات خاکی جاده های جنگلی با استفاده از شبکه عصبی مصنوعی و رگرسیون خطی چندگانه

عرض عملیات خاکی، به ­عنوان یکی از مهم‌ ترین پارامترهای تعیین‌ کننده حجم خاکبرداری و خاکریزی، در هزینه و تخریب ناشی از عملیات جاده‌ سازی در جنگل مؤثر است. هدف از این پژوهش بررسی امکان پیش‌ بینی عرض عملیات خاکی جاده‌ های جنگلی است. برای نیل به این هدف دو روش شبکه عصبی مصنوعی و رگرسیون خطی چندگانه بکار گرفته شده است. برای این منظور، 192 مقطع عرضی در جاده­های جنگلی سوردار-واتاشان مورد بررسی قرار گر...

full text

My Resources

Save resource for easier access later

Save to my library Already added to my library

{@ msg_add @}


document type: thesis

وزارت علوم، تحقیقات و فناوری - دانشگاه یزد - دانشکده ادبیات و علوم انسانی

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023