محمد انصاری قوجقار؛ سوسن سلاجقه؛ پریا پورمحمد
چکیده
این مطالعه با هدف مدلسازی طوفانهای گرد و غبار با استفاده از مدلهای هیبریدی جنکینز- کاتالیزور SARIMA- ACOR و SARIMA- PSO در استان خوزستان انجام شده است. بدین منظور از دادههای ساعتی گرد و غبار و کدهای سازمان جهانی هواشناسی در هفت ایستگاه سینوپتیک استان خوزستان در طول دوره آماری 40 ساله استفاده شده است. بهمنظور ارزیابی دقیقتر و کاش خطاهای ...
بیشتر
این مطالعه با هدف مدلسازی طوفانهای گرد و غبار با استفاده از مدلهای هیبریدی جنکینز- کاتالیزور SARIMA- ACOR و SARIMA- PSO در استان خوزستان انجام شده است. بدین منظور از دادههای ساعتی گرد و غبار و کدهای سازمان جهانی هواشناسی در هفت ایستگاه سینوپتیک استان خوزستان در طول دوره آماری 40 ساله استفاده شده است. بهمنظور ارزیابی دقیقتر و کاش خطاهای ممکن، در این پژوهش از ترکیب کاتالیزور (الگوریتمهای بهینهسازی) کلونی مورچگان (ACOR) و ازدحام ذرات (PSO) با مدل باکس- جنکینز SARIMA استفاده شده است. در واقع از کاتالیزورها بهمنظور آموزشمدلها، انتخاب بهترین مقادیر برای پارامترها، تشخیص الگو و خوشهبندی، یادگیری تقویتی، پردازش تصویر، طراحی سیستمهای هوشمند و بهینهسازی مدلهای مولد استفاده میشود. بهمنظور انتخاب و تعیین بهترین مدل، معیارهای نیکویی برازش شامل R، RMSE، MAE و NS مورد استفاده قرار گرفتهاند. نتایج پژوهش حاکی از عملکرد بهتر مدل هیبریدی جنکینز- کاتالیزور SARIMA- ACOR با اختلاف، نسبت به مدل هیبریدی SARIMA- PSO و همچنین مدل انفرادی SARIMA بود. در این بین نیز، ترکیبهای فصلی یک و دو بیشترین عملکرد و دقت را نسبت به سایر ترکیبهای فصلی داشتند. مدل بهتر مدل هیبریدی جنکینز- کاتالیزور SARIMA- ACOR با با ریشه میانگین مربعات خطا (RMSE="0/219-0/198" )، ضریب همبستگی (R="0/891-0/859" )، میانگین قدرمطلق خطا (MAE="0/142-0/123" ) و ضریب نش- ساتکلیف (NS="0/881-0/862" ) بهترین عملکرد را نسبت به سایر مدلهای استفادهشده برای پیشبینی شاخص FDSD نمایش داده است.
حمیده افخمی؛ اعظم حبیبی پور؛ محمد رضا اختصاصی
چکیده
تبخیر یکی از پارامترهای اقلیمی مهم در مناطق خشک است و نقش مهمی را در مدیریت منابع آب بازی میکند، به همین جهت آگاهی از مقدار تبخیر و مدلسازی آن به عنوان یکی از متغیرهای مهم هیدرولوژیکی در تحقیقات کشاورزی و حفاظت آب و خاک از اهمیت زیادی برخوردار است. در دهههای اخیر روشهای هوش مصنوعی در تخمین و پیشبینی پدیدههای غیرخطی توانایی ...
بیشتر
تبخیر یکی از پارامترهای اقلیمی مهم در مناطق خشک است و نقش مهمی را در مدیریت منابع آب بازی میکند، به همین جهت آگاهی از مقدار تبخیر و مدلسازی آن به عنوان یکی از متغیرهای مهم هیدرولوژیکی در تحقیقات کشاورزی و حفاظت آب و خاک از اهمیت زیادی برخوردار است. در دهههای اخیر روشهای هوش مصنوعی در تخمین و پیشبینی پدیدههای غیرخطی توانایی بالایی از خود نشان داده است. در این تحقیق از سه روش مهم دادهکاوی شامل شبکة عصبی مصنوعی، شبکههای استنتاج فازی و درخت تصمیم رگرسیونی جهت پیشبینی تبخیر ماهانه در ایستگاه سینوپتیک یزد استفاده شد. برای این منظور از 8 متغیر هواشناسی در مقیاس ماهانه (متوسط کمینة دما، متوسط بیشینة دما، میانگین دما، ساعات آفتابی، سرعت باد، جهت باد، میانگین رطوبت نسبی و تبخیر) به عنوان ورودی مدل استفاده گردید. نتایج بهدستآمده نشان داد هر سه مدل نامبرده قادرند با استفاده از پارامترهای اقلیمی مذکور به پیشبینی مقدار تبخیر ماهانه 12 ماه بعد از وقوع بپردازند ولی در میان سه مدل مورد استفاده، شبکة عصبی مصنوعی با ضریب همبستگی برابر با 97/0r=، 1/5RMSE=،3/36MAE= و 48/0-ME= بهترین کارایی را از خود نشان داد. همچنین نتایج نشان داد در پیشبینی تبخیر، تفاوت قابلملاحظهای در زمان استفاده از دادههای خام و دادههای نرمال شده وجود ندارد و پردازش دادهها تأثیر چندانی در بهبود نتایج مدلها نخواهد داشت.
آرش ملکیان؛ مه رو ده بزرگی؛ امیر هوشنگ احسانی؛ امیر رضا کشتکار
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 ...
بیشتر
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.
ام البنین بذرافشان؛ علی سلاجقه؛ احمد فاتحی مرج؛ محمد مهدوی؛ جواد بذرافشان؛ سمیه حجابی
چکیده
خشکسالی پدیدهای است که برای پیشبینی آن نمیتوان از مدل مشخصی استفاده کرد. بر این اساس، محققان تلاش میکنند با استفاده از مدلهای پیشرفته دقت پیشبینیها را افزایش دهند. در این زمینه، مدلهای استوکاستیک خطی، شبکة عصبی مصنوعی، و مدلهای هیبرید میتوانند در دقت پیشبینی مفید باشند. تحقیق حاضر به بررسی کارایی مدلهای اتورگرسیو ...
بیشتر
خشکسالی پدیدهای است که برای پیشبینی آن نمیتوان از مدل مشخصی استفاده کرد. بر این اساس، محققان تلاش میکنند با استفاده از مدلهای پیشرفته دقت پیشبینیها را افزایش دهند. در این زمینه، مدلهای استوکاستیک خطی، شبکة عصبی مصنوعی، و مدلهای هیبرید میتوانند در دقت پیشبینی مفید باشند. تحقیق حاضر به بررسی کارایی مدلهای اتورگرسیو میانگین متحرک تجمعی (ARIMA)، شبکة عصبی مصنوعی مستقیم (DMSNN)، شبکة عصبی مصنوعی چندگامی بازگشتی (RMSNN)، مدل هیبرید آریما- شبکة عصبی مصنوعی چندگامی مستقیم (HSNNDM)، و مدل هیبرید آریما- شبکة عصبی مصنوعی چندگامی بازگشتی (HSNNRA) در پیشبینی خشکسالی هیدرولوژی در دو مقیاس زمانی ماهانه و فصلی میپردازد. شاخص استانداردشدة جریان (SDI) به عنوان نمایة جریان و شاخص پیشبینیشونده در حوزة آبخیز کرخه انتخاب شد. نتایج این پژوهش نشان میدهد مدل هیبرید شبکة عصبی مستقیم- آریما (HSNNDA) نسبت به سایر مدلها دارای عملکرد بهتری در پیشبینی SDI است و همچنین کارایی مدل در پیشبینی ماهانه بهتر از مقیاس فصلی است.