کاربرد مدل شبکه عصبی مصنوعی در خرد مقیاس نمودن برون داد های مدل GCM برای پیش بینی بارش در پهنه جنوبی ایران | ||
| آب و خاک | ||
| مقاله 9، دوره 28، شماره 5، 1394، صفحه 1037-1047 اصل مقاله (209.73 K) | ||
| نوع مقاله: مقالات پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22067/jsw.v0i0.21222 | ||
| نویسندگان | ||
| نوشین احمدی باصری1؛ امین شیروانی2؛ سید محمد جعفر ناظم السادات* 3 | ||
| 1بوعلی سینا همدان | ||
| 2دانشگاه شیراز | ||
| 3دانشکده کشاورزی دانشگاه شیراز | ||
| چکیده | ||
| در این مطالعه، شبکه های عصبی مصنوعی و مدل های رگرسیونی برای خرد مقیاس نمودن خروجی های شبیه سازی شده مدل های گردش عمومی جو استفاده شدند. مجموعه داده های شبیه سازی شده بارش برای محدوده º18/25 تا º51/34 شمالی و º45 تا º60 شرقی، ارتفاع ژئو پتانسیل در سطح 850 میلی بار و باد مداری در سطح 200 میلی بار برای °56/12 تا °25/43 شمالی و °68/19 تا °87/61 شرقی به عنوان پیشگو کننده ها از مدلGCM ECHAM5 برای دوره 2005- 1960 استخراج شدند. بارش ماهانه دیده بانی شده ایستگاه های آبادان، آباده، اهواز، بندرعباس، بوشهر، شیراز و فسا برای دوره 2005-1960 به عنوان پیشگو شونده ها استخراج شدند. مؤلفه های اصلی داده های شبیه سازی شده استخراج و شش مؤلفه اصلی به عنوان ورودی مدل های شبکه عصبی مصنوعی و رگرسیون چند گانه در نظر گرفته شدند. همچنین ترکیب مجموعه داده های شبیه سازی شده به عنوان ورودی این مدل ها استفاده شدند. دوره های 2000-1960 و 2005-2001 به ترتیب به عنوان دوره های آموزش و آزمون در شبکه عصبی مصنوعی در نظر گرفته شدند. نتایج ضریب همبستگی پیرسون و جذر میانگین مربعات خطای استاندارد شده نشان داد که در بیشتر مواقع شبکه عصبی مصنوعی دقیق تر از رگرسیون چند گانه، بارش را پیش بینی می کند. برای مقیاس زمانی ماهانه داده های شبیه سازی شده ارتفاع ژئوپتانسیل بهترین پیشگو کننده و برای مقیاس فصلی (زمستان) بهترین پیشگو کننده در مدل شبکه عصبی مصنوعی، مؤلفه های اصلی استاندارد شده داده های شبیه سازی شده بارش می باشد. | ||
| کلیدواژهها | ||
| بارش؛ پهنه جنوبی ایران؛ خرد مقیاس نمودن؛ شبکه عصبی مصنوعی؛ مدل گردش عمومی جو | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 5,665 تعداد دریافت فایل اصل مقاله: 2,850 |
||