پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,223 |
| تعداد مقالات | 67,680 |
| تعداد مشاهده مقاله | 114,873,159 |
| تعداد دریافت فایل اصل مقاله | 89,546,296 |
مقایسۀ کارایی شبکۀ عصبی مصنوعی در پیش‌بینی خشکسالی هواشناسی با استفاده از پیوند از دور و پارامترهای اقلیمی (مطالعۀ موردی: جنوب استان قزوین) | ||
| نشریه علمی - پژوهشی مرتع و آبخیزداری | ||
| مقاله 15، دوره 70، شماره 4، دی 1396، صفحه 1015-1030 اصل مقاله (1.37 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/jrwm.2018.122721.862 | ||
| نویسندگان | ||
| فاطمه مقصود1؛ محمدرضا یزدانی* 2؛ محمد رحیمی2؛ آرش ملکیان3؛ علی اصغر ذوالفقاری4 | ||
| 1دانشجوی دکتری علوم و مهندسی آبخیزداری، دانشکدۀ منابع‌طبیعی و علوم دریایی دانشگاه تربیت مدرس | ||
| 2دانشیار گروه بیابان‌زدایی دانشکدۀ کویرشناسی، دانشگاه سمنان | ||
| 3استادیار دانشکدۀ منابع طبیعی، دانشگاه تهران | ||
| 4استادیار گروه مدیریت مناطق خشک دانشکدۀ کویرشناسی، دانشگاه سمنان | ||
| چکیده | ||
| خشکسالی در نگاهی کلی معلول یک دورۀ شرایط خشک غیرعادی است که به اندازۀ کافی دوام داشته و سبب عدم تعادل در وضعیت هیدرولوژیک یک ناحیه همچون افت منابع آب سطحی و زیرزمینی می‌گردد. هدف از این تحقیق مدلسازی پیش‌بینی خشکسالی هواشناسی در سه مقیاس زمانی کوتاهمدت، میانمدت و بلندمدت در ایستگاه بارانسنجی واقع در دشت جنوبی استان قزوین، با استفاده از شبکۀ عصبی پرسپترون چندلایه و با در نظر گرفتن پارامترها و سیگنال‌های اقلیمی می‌باشد. بدین منظور سه سناریوی مختلف بهعنوان ورودی‌های مدل، مورد آزمون قرار گرفت. پس از تعیین متغیرهای ورودی با روش همبستگی متقاطع اقدام به تعیین ترکیب بهینۀ متغیرها با استفاده از آزمون گاما گردید. نتایج نشان داد که با افزایش مقیاس زمانی از کوتاهمدت به بلندمدت، تأثیر سیگنال‌های اقلیمی افزایش و در عوض تأثیر پارامترهای هواشناسی کمتر می‌شود. همچنین مؤثرترین سیگنال اقلیمی و پارامتر هواشناسی در هر مقیاس، به ترتیب MEI (شاخص چندمتغیرۀ النینو- نوسانات جنوبی) و بارندگی معرفی گردیدند. جهت مدلسازی از شبکۀ عصبی با یک لایۀ مخفی با تعداد کافی نرون، با تابع سیگموئید در لایۀ میانی و تابع خطی در لایۀ خروجی استفاده شد. مناسبترین تعداد نرون در هر سناریو تعیین شد. در نهایت براساس معیارهای ارزیابی، مناسبترین ساختار شبکه در هر مقیاس زمانی و در سه سناریوی مورد بررسی تعیین گردید. | ||
| کلیدواژه‌ها | ||
| خشکسالی؛ آزمون گاما؛ پیش بینی؛ شبکۀ عصبی؛ سیگنال اقلیمی | ||
| عنوان مقاله [English] | ||
| Comparing the performance of Artificial Neural Network (ANN) to predict the long term Meteorological Drought using Climatic Parameters and teleconnection (case study: South of Qazvin Province) | ||
| نویسندگان [English] | ||
| Fatemeh Maghsoud1؛ Mohammad Reza Yazdani2؛ Mohammad Rahimi2؛ Arash Malekian3؛ ali asghar zolfaghari4 | ||
| 1tarbiat modarres university | ||
| 2Associate Professor | ||
| 4assistant professor | ||
| چکیده [English] | ||
| Overview, drought is effected an unusual dry period which is enough continued and causes imbalance in the hydrologic status, as depletion of surface water and groundwater resources. The purpose of this research is modeling meteorological drought prediction using Neural Network- Multi layer Perceptron, parameters and climatic signals in three time scales include short, middle and long term in a rain-gauge station located at south plain of Qazvin Province. Three different scenarios were tested as inputs model. Optimal combination of variables was determinate by Gamma-Test after identification of input variables using cross-correlation. Results showed, influence of climatic signals increased and against the influence of meteorological parameters decreased when time scale were increased from short-term to long-term. MEI (Multivariate ENSO Index) and rainfall were introduced as the most effective climatic signals and meteorological parameter for each scale, respectively. Neural Network modeling which has hidden layer with enough neurons, Sigmoid Function in middle layer and linear function at output layer was used. The most appropriate of the number neurons was determined in each scenario and wasn’t observed significant correlation between increasing or decreasing the error and number of neurons. Finally, the most appropriate network structure was determined based on evaluation indexes in three scenarios and each time scale. | ||
| کلیدواژه‌ها [English] | ||
| Drought, Gamma-Test, prediction, Artificial Network, Climatic Signal | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 297 تعداد دریافت فایل اصل مقاله: 370 |
||