پیشبینی بارش ماهانه بر اساس سیگنالهای بزرگمقیاس اقلیمی با بهکارگیری مدلهای هوشمند و رگرسیون خطی چندگانه (مطالعه موردی: ایستگاه سینوپتیک سمنان)
نویسندگان
چکیده مقاله:
سیگنالهای بزرگمقیاس اقلیمی شامل کنشهای جوّیـ اقیانوسی، از عوامل اصلی مؤثر بر نوسانات اقلیمی زمین هستند و شاخصهای بسیار مهمی در پیشبینی متغیرهای اقلیمی محسوب میشوند. در این پژوهش، با بهکارگیری مدلهای شبکۀ عصبی مصنوعی، شبکۀ فازیـ عصبی و رگرسیون خطی چندگانه، بارش ماه آتی در ایستگاه سینوپتیک سمنان پیشبینی شد. بدینمنظور، از سری زمانی ماهانۀ بارش ایستگاه سینوپتیک سمنان و سیگنالهای بزرگمقیاس اقلیمی طی یک دورۀ 45 ساله (1966ـ 2010 میلادی) استفاده شد. سیگنالهای مؤثر بر بارش ماه آتی با استفاده از تحلیل رگرسیون خطی گامبهگام تعیین شدند و بهعنوان متغیرهای ورودی در مدلهای استفادهشده، انتخاب شدند. از 540 سری دادۀ ماهانه، 80 درصد ابتدایی برای آموزش و 20 درصد باقی برای آزمون صحتسنجی مدلها استفاده شدند. عملکرد مدلها با معیارهای ارزیابی ضریب همبستگی، میانگین قدر مطلق خطا و ریشۀ میانگین مربعات خطا مقایسه شد. نتایج صحتسنجی نشان داد ضرایب همبستگی بهدستآمده (829/0، 793/0 و 767/0) بهترتیب مربوط به مدلهای شبکۀ عصبی مصنوعی، شبکۀ فازیـ عصبی و رگرسیون خطی چندگانهاند. براساس نتایج این تحقیق، میتوان برای پیشبینی بارش ماه آتی ایستگاه سینوپتیک سمنان، بهترتیب از مدلهای شبکۀ عصبی مصنوعی، شبکۀ فازیـ عصبی و رگرسیون خطی چندگانه استفاده کرد.
منابع مشابه
پیش بینی بارش ماهانه با مدل درختی M5 و مقایسه آن با روشهای کلاسیک آماری )مطالعه موردی : ایستگاه سینوپتیک ارومیه(
در این تحقیق جهت تخمین دادههای بارش ماهانه ایستگاه ارومیه که از سال 2006 تا 2007 مفقود فرض شده است از روشهای آماری کلاسیک و مدل درختی M5 با استفاده از نرمافزارWeka و به کارگیری ایستگاههای مهاباد، خوی، سلماس، تکاب و ماکو استفاده شده است. در بین ایستگاههای مورد مطالعه، ایستگاه مهاباد با (r=0.90) بیشترین همبستگی را با ایستگاه ارومیه داشت. 26 سناریو از آمار ده ساله ایستگاههای مجاور در تخمین ب...
متن کاملمقایسه مدلهای هوشمند در تخمین بارش ماهانه حوضه کاکارضا
برآورد بارش برای اجرای طرح های مطالعات منابع آب، خشکسالی، طرح های آمایش سرزمین، محیط زیست، آبخیزداری و طرح های جامع کشاورزی ضروری می باشد. در این پژوهش جهت تخمین بارش ماهانه دشت کاکارضا واقع در استان لرستان از مدل برنامه ریزی بیان ژن استفاده شد و نتایج آن با سایرروشهای هوشمند از جمله سیستم استنتاج فازی_عصبی و شبکه عصبی مصنوعی مقایسه گردید. برای این منظور از پارامترهای میانگین دما، رطوبت نسبی، ...
متن کاملارزیابی شاخصهای اقلیمی و روند کلی تغییرات اقلیم؛ مطالعه موردی ایستگاه سینوپتیک شیراز.
وقوع خشکسالیهای پیدرپی در اکثر نقاط دنیا سبب دگرگونی چهره زمین شدهاست. لذا بررسی دقیق میزان تغییرات شاخصهای اقلیمی و تأثیر آنها بر محیطزیست و منابع آبی در هر نقطه از کرهخاکی امری اجتنابناپذیر است. در این پژوهش تغییرات بارشی و دمایی ایجاد شده در ایستگاه سینوپتیک شیراز در بازه 1392-1363 بررسی گردید. بدینمنظور شاخصهای خشکسالی SPI، PNPI، DI، SIAPو RAIدر مقیاس سالانه محاسبه و رژیمهای م...
متن کاملمدلهای تصادفی سری زمانی در پیش بینی بارندگی ماهانه (مطالعه موردی: ایستگاه هاشم آباد گرگان)
در سالهای اخیر محدودیت منابع آبی جهت تامین آب مورد نیاز کشاورزی و غیر کشاورزی موجب بروز مشکلات زیادی شده است و باران یکی از منابع مهم تامین آب به حساب می آید. بارندگی یکی از مهمترین مولفه های ورودی به سیستم های هیدرولوزیکی محسوب می شود که مطالعه و اندازه گیری آن در اکثر موارد برای مطالعات رواناب، خشکسالی، آبهای زیر زمینی، سیلاب، رسوب و ... لازم و ضروری است. بنابراین پیش بینی و برآورد نزولات جوی...
متن کاملپیشبینی عناصر اقلیمی دما و بارش ایستگاه سینوپتیک گرگان براساس سناریوهای RCP
هدف از این پژوهش پیشبینی مقادیر عناصر اقلیمی دما و بارش ایستگاه سینوپتیک گرگان با مدل ریزمقیاسنمایی SDSM و با استفاده از خروجی مدل تغییر اقلیم CanESM2 بر پایة سناریوهای تغییر اقلیم RCP 2.6, 4.5, 8.5برای دورههای آینده 20۱۱- 20۴۰، 20۴۱- 20۷۰1، و 20۷۱- 2۱۰0 و نیز بررسی روند سالانة این تغییرات با استفاده از آزمون من- کندال است. نتایج خروجی مدل در دورة آیندة نزدیک و میانی از ماه فوریه تا آگوست...
متن کاملمنابع من
با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید
ذخیره در منابع من قبلا به منابع من ذحیره شده{@ msg_add @}
عنوان ژورنال
دوره 4 شماره 1
صفحات 201- 214
تاریخ انتشار 2017-03-21
با دنبال کردن یک ژورنال هنگامی که شماره جدید این ژورنال منتشر می شود به شما از طریق ایمیل اطلاع داده می شود.
میزبانی شده توسط پلتفرم ابری doprax.com
copyright © 2015-2023