پیش بینی خشکسالی با استفاده از شبکه ی عصبی مصنوعی مطالعه ی موردی : ایستگاه سینوپتیک شیراز

پایان نامه
چکیده

خشکسالی یک رویداد اقلیمی است که خصوصیات آن بستگی به مدت شدت و وسعت منطقه تحت تاٌثیر و تسلط آن دارد که می تواند کوتاه یا شدید باشد . منشاء آن کمبود بارش می باشد که منجر به کاهش ذخیره ی آبی و زیان اقتصادی می شود. موفقیت در کاهش خشکسالی به چگونگی تعیین خشکسالی بستگی دارد . با توجه به دقت کمتر و خطای بیشتر روش های آماری متداول در این پژوهش برای پیش بینی خشکسالی شهرستان شیراز از شبکه ی عصبی مصنوعی در نرم افزار متلب (matlab) به عنوان یک روش کارآمد که نتایج شبیه سازی خشکسالی را بر اساس داده های واقعی بدست می آورد استفاده گردیده است . تاکنون مدل-هایی که اثر ترکیبی الگوهای ارتباط از دور و عناصر اقلیمی را بر خشکسالی شیراز بررسی کنند توسعه نیافته است . در این پژوهش با استفاده از این الگوهای ارتباط از دور و برخی از عناصر اقلیمی به عنوان ورودی شبکه ی عصبی و مقادیر شاخص خشکسالی spi که نمایش کمی خشکسالی می باشد به عنوان خروجی شبکه عصبی مصنوعی استفاده گردیده است . در ابتدا برای تحلیل ارتباط میان خشکسالی در مقیاس زمانی متفاوت با شاخص های اقلیمی و عناصر اقلیمی از روش همبستگی استفاده گردیده است . همبستگی ها در سطح اطمینان 95% مورد آزمون قرار گرفته و با استفاده از روش رگرسیونی چند متغیره تاثیر این متغیرها تاٌیید گردید و مناسبترین متغیرها در مقیاس زمانی انتخاب شد . در مرحله بعدی با استفاده ازمدل شبکه های عصبی مصنوعی پس انتشار و رادیال بیس و متغیرهای چون شاخص های اقلیمی و عناصر اقلیمی موثر اقدام به پیش بینی خشکسالی های منطقه شیراز گردید . پیش بینی ها برای مقیاس زمانی 1 و 3 ماهه در حالت پیوسته و برای حالت گسسته ،پیش بینی فصلی زمستانه خشکسالی صورت گرفت. بر اساس نتایج بدست آمده در پیش بینی پیوسته 1 و 3 ماهه خشکسالی ، شاخص های اقلیمیnino 1+2 , nino 3 ,nino 4 , nino 3/ 4 , sw monsoon و عناصر اقلیمی بیشنه دما ، کمینه دما ، بیشینه رطوبت نسبی ، کمینه رطوبت نسبی و بارش ، موجب بهبود نتایج مدل ها گردید.در پیش بینی فصل زمستان از میان شاخص های اقلیمی ،شاخص nao زمستانه و عناصر اقلیمی بارش ، بیشینه رطوبت نسبی و بیشینه دما ، بهترین نتایج را با کمترین خطا و بیشترین ضریب همبستگی ارائه داده اند .

۱۵ صفحه ی اول

برای دانلود 15 صفحه اول باید عضویت طلایی داشته باشید

اگر عضو سایت هستید لطفا وارد حساب کاربری خود شوید

منابع مشابه

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...

متن کامل

کاربرد برنامه‌ریزی بیان ژن در پیش بینی خشکسالی ( مطالعه موردی: ایستگاه سینوپتیک تبریز)

پیکره آبی دریاچه ارومیه در سال­های اخیر به­ دلایل مختلف از قبیل خشک­سالی­های متوالی با کاهش شدید سطح و حجم روبرو شده است. بنابراین، در این پژوهش وضعیت خشک­سالی در ایستگاه سینوپتیک تبریز به­ عنوان یکی از ایستگاه­های مهم حوزه آبخیز دریاچه ارومیه در مقیاس­های زمانی مختلف با استفاده از شاخص بارش- تبخیر و تعرق استاندارد شده (SPEI) و مدل برنامه ­ریزی بیان ژن (GEP) مورد بررسی قرار گرفت. برای این منظور...

متن کامل

شبیه‌سازی و مقایسه‌ی تبخیر و تعرق پتانسیل به روش‌های شبکه عصبی مصنوعی، نروفازی ودرخت تصمیم‌گیریM5 (مطالعه موردی؛ ایستگاه سینوپتیک شیراز )

تخمین صحیح تبخیر‌ و تعرق در طراحی، مدیریت سیستم‌های آبیاری و زهکشی از اهمیت زیادی برخوردار است. یکی از روش‌های تخمین تبخیر و تعرق، که در حل این مسائل و پیش‌بینی آن کاربرد زیادی دارد، روش‌های نروفازی (ANFIS)، شبکه‌های عصبی مصنوعی (ANNs) و درخت تصمیم‌گیری M5 می‌باشند. هدف از این تحقیق، بررسی کارایی روش‌های مذکور در برآورد تبخیر و تعرق مرجع در ایستگاه هواشناسی شیراز می‌باشد، بدین منظور داده‌های هو...

متن کامل

پیش بینی تبخیر از سطح ایستابی کم عمق با استفاده از شبیه های وایازی و شبکه ی عصبی مصنوعی

رابطه ی بین عمق سطح ایستابی و تبخیر از سطح خاک در اغلب مناطق خشک و نیمه خشک بسیار مهم است. در این مناطق به علت آبیاری بیش از حد نیاز، اغلب سطح ایستابی نزدیک زمین است که باعث شوری خاک می‌شود. در این مطالعه از یک شبیه فیزیکی سطح ایستابی برای تعیین شدت تبخیر در خاکهای لوم شنی، لومی و لوم رسی در گلخانه و برای سه سطح ایستابی 40، 60 و 80 سانتی متری استفاده شده است. تبخیر از سطح خاک، تبخیر از سطح آزاد...

متن کامل

پیش بینی مشخصات ساختاری و خواص مغناطیسی پودرهای نانوساختار آهن- نیکل با استفاده از شبکه ی عصبی مصنوعی

Mechanical alloying technique is used for production of nanostructured soft magnetic alloys. In this work the back propagation (BP) artificial neural adopted to model the effect of various mechanical alloying parameters i.e. milling time and chemical composition, on the properties of Fe-Ni powders. Lattice parameter, grain size, lattice strain, coersivity and saturation intrinsic flux den...

متن کامل

منابع 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 @}


نوع سند: پایان نامه

وزارت علوم، تحقیقات و فناوری - دانشگاه سیستان و بلوچستان

میزبانی شده توسط پلتفرم ابری doprax.com

copyright © 2015-2023