این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
جغرافیا و برنامه ریزی، جلد ۲۱، شماره ۶۰، صفحات ۱۶۱-۱۶۷
عنوان فارسی تحلیل و پیش‌بینی روزهای خشک با استفاده از مدل شبکه عصبی مصنوعی (مطالعه موردی: ایستگاه تهران)
چکیده فارسی مقاله شبکه‌های عصبی مصنوعی  به­عنوان یکی از تکنیک‌های غیرخطی در مطالعات اقلیمی و هیدرولوژی اهمیت فراوانی به­خود اختصاص داده­اند. تغییراقلیم و به­دنبال آن گرمایش جهانی از پدیده‌های اقلیمی به شمار می‌رود. شمار روزهای خشک و تداوم آن خشکسالی را به­دنبال دارد. در این پژوهش از داده‌های بارش روزانه طی سال‌های (1976-2008) و شبکه عصبی مصنوعی در نرم‌افزار MATLAB به­منظور پیش‌بینی شمار روزهای خشک ایستگاه تهران استفاده شده است. شبکه به­کار رفته از نوع Feed-forward با الگوریتم کاهش شیب و مارکوارت لونبرگ در مرحله آموزش و یادگیری می‌باشد. ساختارهای گوناگونی در لایه ورودی و پنهان در مرحله آموزش مورد آزمایش قرار گرفت. در نهایت شبکه با 4 ورودی و 5 نرون در لایه پنهان و 1 نرون در لایه خروجی به مطلوب‌ترین ساختار (1-5-4) جهت پیش‌بینی بهینه با بیش‌ترین همبستگی پاسخ داد. نتایج نشان داد که در ایستگاه مذکور، روزهای خشک پیش‌بینی شده توسط شبکه در مقایسه با طول دوره آماری مورد بررسی دارای روند افزایشی بوده است که با محاسبه احتمال وقوع روزهای خشک، طی سال‌های (2018-2009) با استفاده از زنجیره مارکوف، موارد فوق تأیید گردیده است. ضریب همبستگی مقادیر پیش‌بینی روزهای خشک بدون ترکیب با الگوریتم ژنتیک 86 درصد است. بعد از آموزش شبکه با ترکیب  الگوریتم ژنتیک با لایه­‌های مختلف این مقدار به 88درصد رسید که می‌توان گفت در صورت ترکیب شبکه با الگوریتم مذکور نتایج قابل قبول ارائه می­دهد.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Analysis and Forecasting Drought Days Using Artificial Neural Networks ‎Model (Case Study: Station Tehran)
چکیده انگلیسی مقاله Artificial neural networks as a nonlinear techniques in climate and hydrology studies are important to have. Climate change and the global warming of the climate phenomenon known as persistence of drought followed Number of dry days. In this study, the data of daily rainfall during the period (1976-2008) and artificial neural network in MATLAB software is used to predict the number of dry days Tehran station. Feed-forward type of network used by the algorithm reduces the gradient and Levenberg Marquardt is in the process of teaching and learning. Various structures in the input and hidden layers were tested during the training phase. Finally, a network with 4 inputs and 5 neurons in the hidden layer and 1 neuron in the output layer to best structure (4-5-1) with the highest correlation to predict the optimal answer. The results showed that the aforementioned stations, dry days predicted by the network during the period under review increased compared with that by calculating the probability of dry days during the period (2018-2009) using a Markov chain, the above been approved. The correlation coefficient values ​​predicted dry days without a genetic algorithm combined with 86 percent .After teaching network as genetic algorithm combined with 88 percent that able providing algorithm combined to network result passable showing
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله حسین عساکره |
گروه جغرافیای طبعی، دانشگاه زنجان
سازمان اصلی تایید شده: دانشگاه زنجان (Zanjan university)

فریبا صیادی |
کارشناسی ارشد اقلیم شناسی، دانشگاه زنجان.
سازمان اصلی تایید شده: دانشگاه زنجان (Zanjan university)

نشانی اینترنتی http://geoplanning.tabrizu.ac.ir/article_6524_061696d393a65599061571be29f67d27.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/760/article-760-434402.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات