عنوان : ( کاربرد مدل های شبکه عصبی مصنوعی در تخمین نمایه های خشکسالی SPI و PDSI در ایستگاه سینوپتیک شهر مشهد )
نویسندگان: الهام عابدینی , محمد موسوی بایگی , حسین انصاری ,
Full Textچکیده
خشکسالی در بین بلایای طبیعی از نظر شدت، مدت و خسارت در رتبه اول قرار دارد. برای تخمین خشکسالی به دلیل دینامیک پیچیده حاکم بر آن لازم است از مدل های دینامیکی که در آن فرآیندهای حاکم بر پدیده خشکسالی درنظر گرفته می شود، استفاده کرد. مدل های شبکه عصبی مصنوعی از جمله این مدل ها می باشندکه قادرند روابط میان ورودی ها و خروجی های یک سامانه فیزیکی را که توسط شبکه ای از گره ها که همگی با هم متصل هستند، تعیین نمایند. این پژوهش برای پیش بینی پدیده خشکسالی در ایستگاه سینوپتیک شهر مشهد با استفاده از مدل های پرسپترون و گرادیان نزولی با الگوریتم های آموزش مومنتوم و گرادیان نزولی انجام شد. متغیرهای ورودی مدل برای نمایه SPI شامل بارندگی، نمایه بزرگ مقیاس اقلیمیSOI و NAO در فاصله زمانی1951 الی2007 و خروجی شبکه نیز نمایه SPI در تاخیرهای زمانی و متغیرهای ورودی برای نمایه PDSI شامل بارندگی، SOI، NAO و دما در فاصله زمانی1951 الی2007 و خروجی شبکه نمایه PDSI در تاخیرهای زمانی متفاوت می باشد. برای مدل نمودن نمایه SPI از داده های 57 سال بارندگی ایستگاه سینوپتیک شهر مشهد استفاده شدکه 46 سال آن برای آموزش شبکه و مابقی(11 سال) برای آزمون شبکه مورد استفاده قرار گرفت و برای مدل کردن نمایه PDSI از52 سال داده آماری، 33 سال داده برای آموزش شبکه، 9 سال برای اعتبار سنجی و 10 سال باقیمانده نیز برای آزمون شبکه با استفاده از نرم افزار Nero Solutions5 انجام شد. همچنین به منظور بررسی ارتباط ENSO با بارش های ایستگاه سینوپتیک مشهد از روش رگرسیون استفاده شد. بررسی نتایج نشان داد مقادیر نوسانات جنوبی تاثیر اندک و مقادیر نوسانات اطلس شمالی دارای عدم تاثیر روی بارندگی های ایستگاه سینوپتیک مشهد هستند. وقوع پدیده انسوی قوی در جهان بر روی بارندگی های ایستگاه سینوپتیک مشهد تاثیر گذاشته،لانینا باعث خشکسالی در سال بعد از وقوع آن و موجب کاهش بارندگی در این ایستگاه شده و وقوع فاز گرم انسو موجب افزایش بارندگی در فصل زمستان و کاهش بارندگی در دیگر فصول می گردد. به علت زیاد بودن دامنه تغییرات بارندگی در مقیاسهای1، 2 و 3 ماهه دقت نتایج پیش بینی شده توسط این سری های زمانی بسیار کم است و با افزایش مقیاس زمانی نمایه، دامنه تغییرات بارندگی نیز کاهش می یابد و بر دقت نتایج افزوده می شود. همچنین مدل های پرسپترون و پیشخور عمومی دارای عملکرد خوبی در پیش بینی خشکسالی هستند، به طوری که معیارهای عملکرد R2 0=/78 برای پیش بینی SPI 18 ماهه و R2 0=/76 برای پیش بینی PDSI گویای این مطلب می باشند.
کلمات کلیدی
, مدل پرسپترون, مدل گرادیان نزولی
@article{paperid:1054887,
author = {عابدینی, الهام and موسوی بایگی, محمد and انصاری, حسین},
title = {کاربرد مدل های شبکه عصبی مصنوعی در تخمین نمایه های خشکسالی SPI و PDSI در ایستگاه سینوپتیک شهر مشهد},
journal = {پژوهش آب در کشاورزی},
year = {2014},
volume = {28},
number = {1},
month = {April},
issn = {2228-7140},
pages = {227--239},
numpages = {12},
keywords = {مدل پرسپترون، مدل گرادیان نزولی},
}
%0 Journal Article
%T کاربرد مدل های شبکه عصبی مصنوعی در تخمین نمایه های خشکسالی SPI و PDSI در ایستگاه سینوپتیک شهر مشهد
%A عابدینی, الهام
%A موسوی بایگی, محمد
%A انصاری, حسین
%J پژوهش آب در کشاورزی
%@ 2228-7140
%D 2014
