جلد 14، شماره 51 - ( علوم و فنون كشاورزي و منابع طبيعي،علوم آب و خاک بهار 1389 )
جلد 14 شماره 51 صفحات 170-157 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Afkhami, Dastorani, Malekinejad, Mobin. Effects of Climatic Factors on Accuracy of ANN-Based Drought Prediction in Yazd Area . jwss 2010; 14 (51) :157-170
URL: http://jstnar.iut.ac.ir/article-1-1215-fa.html
URL: http://jstnar.iut.ac.ir/article-1-1215-fa.html
افخمی حمیده، دستورانی محمدتقی، ملکی نژاد حسین، مبین حسین. بررسی تأثیر عناصر اقلیمی بر افزایش دقت روش شبکه عصبی مصنوعی در پیش‌بینی خشک‌سالی منطقه یزد . علوم آب و خاک. 1389; 14 (51) :157-170
، hamide.afkhami@gmail.com
چکیده: (27341 مشاهده)
خشک‌سالی یک شکل طبیعی از اوضاع آب و هوایی است که تکرار آن در طول زمان امری اجتناب ناپذیر می باشد. هدف اصلی این تحقیق بررسی تأثیر نوع عوامل اقلیمی در پیش بینی خشک‌سالی با استفاده از شبکه عصبی مصنوعی در مناطق مختلف استان یزد است. در اغلب ایستگاه های هواشناسی منطقه یزد (ایستگاه‌های باران‌سنجی) تنها داده‌های مربوط به عامل بارش موجود می باشد، در حالی که ایستگاه های همدیدی علاوه بر بارش سایر عوامل هواشناسی از جمله دمای بیشینه، دمای میانگین، رطوبت نسبی، سرعت میانگین باد، جهت باد و میزان تبخیررا نیز دارا هستند. در این تحقیق سعی گردید که نقش تعداد و نوع عوامل اقلیمی (به عنوان عوامل ورودی مدل) در دقت پیش‌بینی خشک‌سالی بر اساس شبکه‌های عصبی مصنوعی مورد ارزیابی قرار گیرد. منطقه مورد بررسی بخشی از استان یزد است که در بر گیرنده 13 ایستگاه کلیماتولوژی و 1 ایستگاه همدیدی است. جهت انجام این بررسی میانگین متحرک سه ساله بارش در تمام ایستگاه ها محاسبه شد و سپس با استفاده از مدل شبکه برگشتی با تأخیر زمانی(Time Lag Recurrent Network)، میانگین متحرک بارش یک سال آینده پیش‌بینی گردید، که خود عامل اصلی ارزیابی وضعیت خشک‌سالی در سال آتی است. علاوه بر آن در ایستگاه همدیدی یزد نیز شبیه‌سازی‌ها با ترکیبات مختلفی از ورودی ها انجام گرفت. بهترین ترکیب ورودی ترکیب " میانگین متحرک بارش - دمای بیشینه" بود که ضریب کارایی آن حدود 90/0 محاسبه شد. بررسی ها نشان داد علی‌رغم این که در 13 ایستگاه باران سنجی منطقه شبیه سازی‌ها تنها با یک ورودی (بارش) انجام گرفت، در برخی ایستگاه ها نتایج قابل قبولی به دست آمد که حتی ضریب کارایی محاسبه شده بر اساس نتایج حاصله بسیار نزدیک به ایستگاه یزد (با ورودی های مختلف) محاسبه گردید. (R2 از 48/0 در ایستگاه آقا خرانق تا 90/0 در ایستگاه گاریز متغیر بود.) البته میزان درستی پیش‌بینی ها هنگامی که فقط از یک عامل ورودی در مدل استفاده شده است از ایستگاهی به ایستگاه دیگر متفاوت بوده است. نتایج به دست آمده گویای انعطاف‌پذیری قابل ملاحظه مدل‌های شبکه عصبی مصنوعی است که آنها را به ابزار مناسبی جهت مدلسازی در شرایطی که با فقر داده مواجه هستیم مبدل می سازد.
| بازنشر اطلاعات | |
 | این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
