پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 161 |
| تعداد شماره‌ها | 6,477 |
| تعداد مقالات | 70,014 |
| تعداد مشاهده مقاله | 122,923,668 |
| تعداد دریافت فایل اصل مقاله | 96,136,104 |
کاربرد شبکة عصبی مصنوعی در پیش‌بینی و شبیه‌سازی شاخص اقلیمی خشک‌سالی هواشناسی دهک بارش (مطالعة موردی: استان سیستان و بلوچستان) | ||
| نشریه علمی - پژوهشی مرتع و آبخیزداری | ||
| مقاله 11، دوره 67، شماره 1، اردیبهشت 1393، صفحه 127-139 اصل مقاله (546.32 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/jrwm.2014.50834 | ||
| نویسندگان | ||
| آرش ملکیان* 1؛ مه رو ده بزرگی2؛ امیر هوشنگ احسانی3؛ امیر رضا کشتکار4 | ||
| 1استادیار دانشکده منابع طبیعی دانشگاه تهران | ||
| 2دانشجوی دکتری دانشکده منابع طبیعی دانشگاه تهران | ||
| 3دانشیار دانشکده محیط زیست دانشگاه تهران | ||
| 4استادیار مرکز تحقیقات بین‌المللی بیابان دانشگاه تهران | ||
| چکیده | ||
| 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 استفاده از نوع پرسپترون چندلایه بود و از الگوریتم پس انتشار خطا و تابع محرک سیگموئید استفاده شد. تعداد نرون‌‌های لایه‌ها بر اساس کمترین میزان خطا محاسبه شد و به صورت ساختار لایة 1-10-1 است. سپس، عمل پیش‌بینی خشک‌سالی توسط الگوریتم آموزش دیده‌شده توسط شبکة عصبی مصنوعی و بدون استفاده از داده‌های واقعی و مشاهداتی برای سال‌های 1388 تا 1391 صورت گرفت. نتایج نشان داد شبکة عصبی مصنوعی با همبستگی 97% و میانگین خطای (RMSE) کمتر از 5% قادر به پیش‌بینی شاخص خشک‌سالی بر اساس دهک بارش است. نتایج پیش‌بینی شاخص خشک‌سالی دهک بارش نشان‌دهندة این مطلب بود که خشک‌سالی در طی سال‌های 1388ـ 1391 به طور کلی روند افزایشی داشته است. از این رو، با استفاده از این روش می‌توان وضعیت خشک‌سالی را در سال‌های آتی و بدون استفاده از آمار هواشناسی پیش‌بینی کرد و در مدیریت و بهره‌وری منابع آب و نیز مدیریت خشک‌سالی و تغییرات اقلیمی از این روش بهره جست. | ||
| کلیدواژه‌ها | ||
| پرسپترون؛ پیش‌بینی؛ خشک‌سالی؛ شاخص دهک بارش؛ شبکة عصبی مصنوعی | ||
| عنوان مقاله [English] | ||
| Application of Artificial Neural Networks in Simulating and Forecasting of Meteorological Drought Decile Percentage Index (Case study: Sistan & Balouchestan Province) | ||
| نویسندگان [English] | ||
| Arash Malekian1؛ Mahrou Dehbozorgi2؛ Amir Houshang Ehsani3؛ Amir Reza Keshtkar4 | ||
| 1Assistant Professor, Faculty of Natural Resources, University of Tehran, Karaj, Iran | ||
| 2Ph.D Student, Faculty of Natural Resources, University of Tehran, Karaj, Iran | ||
| 3Assistant Professor, Faculty of Environment, University of Tehran, Iran | ||
| 4Assistant Professor, International Desert Research Center, University of Tehran, Iran | ||
| چکیده [English] | ||
| Consecutive droughts in Sistan and Baloochestan province cause water resources restriction and this is a very significant problem for this region. In this study, in order to forecast the drought cycle in 9 climatological stations in the province, we used Artificial Neural Networks. The input data were average of annual rainfall data in all stations and also deciles precipitation index, which the first 30 years from 1971 to 2000 used for training the network and the last 8 years from 2001 to 2008 for simulating it. The network consists of Multilayer Perceptron (MLP) and Back Propagation Algorithm (BP) and also sigmoid transfer function. Number of Neurons in hidden layer was 10 with 1-10-1 structure and was calculated based on the lowest RMSE. Then drought prediction was done in neural network with the trained algorithm and without using actual and observed data in 2009 to 2012. Results showed that, the network was able to simulate and forecast DPI index with 97% regression and average RMSE error less than 5%. According to drought indices, results showed that the drought will have an increasing trend in all stations in this region in 2009 to 2011. Therefore, by using this method, drought can be predicted in later years without any need to have actual meteorological data and also can be used in water resources management, drought management and climate changes. | ||
| کلیدواژه‌ها [English] | ||
| Artificial Neural Network, deciles precipitation index, Drought, perceptron, prediction | ||
|
آمار تعداد مشاهده مقاله: 3,400 تعداد دریافت فایل اصل مقاله: 1,715 |
||