تعداد نشریات | 49 |
تعداد شمارهها | 1,844 |
تعداد مقالات | 19,488 |
تعداد مشاهده مقاله | 9,256,178 |
تعداد دریافت فایل اصل مقاله | 6,483,559 |
ارزیابی توانایی مدلهای هوشمند در پیشبینی بارندگی ماهانه به کمک الگوهای پیوند از دور (مطالعه موردی استان خراسان رضوی) | ||
آب و خاک | ||
مقاله 1، دوره 29، شماره 2، خرداد 1394، صفحه 274-283 اصل مقاله (253.59 K) | ||
نوع مقاله: مقالات پژوهشی | ||
شناسه دیجیتال (DOI): 10.22067/jsw.v0i0.25357 | ||
نویسندگان | ||
فرزانه نظریه* ؛ حسین انصاری | ||
دانشگاه فردوسی مشهد | ||
چکیده | ||
الگوهای پیوند دور از جمله عوامل موثر بر میزان بارش میباشند، در این تحقیق توانایی مدلهای هوشمند در پیشبینی بارندگی ماهانه به کمک دادههای پیوند از دور در هشت ایستگاه سینوپتیک استان خراسان رضوی برای سالهای 1991 تا 2010 مورد بررسی قرار گرفت. مدلهای هوشمند مورد بررسی عبارتند از مدل شبکه عصبی مصنوعی، مدل استنتاج فازی و مدل نروفازی. معیارهای آماری برای مقایسه نتایج مدلها شامل ضریب همبستگی، میانگین خطای اریبی، میانگین مربعات خطا و معیارهای ترکیبی جاکووی دز و صباغ میباشد. پس از یافتن بهترین ساختار برای مدلهای هوشمند و مقایسه آنها، مشخص گردید مدل نروفازی بهترین نتایج را دارا میباشد. معیارهای آماری برای پیشبینی بارش به روش نروفازی به ترتیب در یک ماهه آینده برابر 8/0، 55/0-، 43/0، 7/0، 91/0، برای دو ماهه آینده برابر 79/0، 32/1-، 48/0، 56/1، 4/0 و برای سه ماهه آینده برابر 73/0، 37/1-، 54/0، 47/1، 36/0 بهدست آمد. نتایج مدلهای هوشمند برای ایستگاهی که دادههای آن در بخش آموزش بکار برده نشده بود حاکی از این است که مدلها برای منطقه جغرافیایی آموزش دیده توانایی پیشبینی بارش را دارند. بررسی دقت مدل نروفازی در هر یک از کلاسهای شاخص بارندگی استاندارد نشان داد که این مدل در برآورد مقادیر بارش در کلاسهای تر سالی بسیار شدید و تر سالی شدید کم برآورد داشته است. در نهایت نتایج این تحقیق نشان داد که مدلهای هوشمند مخصوصاً مدل نروفازی ابزار مناسبی برای پیشبینی بارندگی میباشند، اما از این مدلها در کلاسهای تر سالی بسیار شدید و تر سالی شدید با تامل بیشتری باید استفاده نمود. | ||
کلیدواژهها | ||
پیشبینی بارندگی؛ الگوهای پیوند از دور؛ سیستم استنتاج فازی؛ شبکه عصبی مصنوعی؛ شبکه نروفازی | ||
مراجع | ||
1- Alizadeh A., Erfanian M., Ansari H.2011. Assessment of Teleconnection Patterns Affecting Rainfall and Temperature (Case Study: Mashhad Synoptic Station), Iranian Journal of lrrigation and drainage, 2(5): 176-185.) In Persian with English abstract(.
2- Almeira G.J., Scian B.2006. Some atmospheric and oceanic indices as predictors of seasonal rainfall in the Del Plata Basin of Argentina. Journal of Hydrology, 329: 350–359.
3- Drosdowsky W., Chambers L.E. 2001. Near global scale sea surface temperature anomalies as predictors of Australian seasonal rainfall, Journal of climate, 14:1677–1687.
4- Fallah-Ghalhari G.A. 2014. Rainfall Prediction Using Teleconnection Patterns Through the Application of Artificial Neural Networks, Modern Climatology. Book 1. Dr Shih-Yu Wang (Ed.), 361-386.
5- Gomez V., Casanovas A. 2002. Fuzzy logic and meteorological variables: a case study of solar irradiance, Fuzzy Sets and Systems, 126:121–128.
6- Jacovides C.P. 1998. Reply to comment on 'Statistical procedures for the evaluation of evapotranspiration computing models'. Agricultural Water Management, 37: 95-97.
7- Jang J.S.R. 1993. ANFIS: Adaptive-network-based fuzzy inference system, IEEE Trans. Syst., Man and Cybernetics, 23(3): 665–684.
8- Keskin M.E., Terzi O., Tayalan D. 2004. Fuzzy logic model approaches to daily pan evaporation estimation in western Turkey. Hydrological Sciences–Journal–des Sciences Hydrologiques, 49(6):1001-1010.
9- Kim T.W., Valde´s J.B., Nijssen B., Roncayolo D. 2006. Quantification of linkages between large-scale climatic patterns and precipitation in the Colorado River Basin. Journal of Hydrology, 321:173–186.
10- Mekanik F., and Imteaz M.A. 2012. A Multivariate Artificial Neural Network Approach for Rainfall Forecasting: Case Study of Victoria, Australia. p. 1-5. Proceedings of the World Congress on Engineering and Computer Science, Vol I, 24-26 October 2012. WCECS, San Francisco, USA
11- Nazemosadat M.J., Setoodeh P., Safavi A. 2008. Improving Neural Network Models for forecasting Seasonal Precipitation in Southwestern Iran: The Evaluation of Oceanic- Atmospheric indices. Asia Oceania Geosciences Society 5th Annual General Meeting, at Busan Exhibition & Convention Center, Busan, South Korea.
12- Pongracz R., Bartholy J., and Bogardi I. 2001.Fuzzy rule-based prediction of monthly precipitation, Journal of Physical Chemistry B, 26(9):663–667.
13- Rezaee-Banafshe M., Jahan-Bakhsh S., Bayati-Khatibi M., Zeynali B. 2011. Forecast of Autumn and Winter Precipitation of West Iran by Use from Summer and Autumn Mediterranean Sea Surface Temperature, Physical Geography Research Quarterly 74, 47-62. (in Persian with English abstract).
14- Rezaeian-Zadeh M., Tabari H. 2012. MLP-based drought forecasting in different climatic regions. Theoretical and Applied Climatology, 109(3-4): 407-414.
15- Sabbagh J., Sayigh A.A.M., Al-Salam E.M.A. 1977. Estimation of the total solar radiation from meteorological data. Solar Energy, 19(3): 307-311.
16- Sedaghat Kerdar A., Fatahi E. 2008. Drought Early Warning Methods over Iran, Geography and Development Iranian Journal, 11: 76-89. (in Persian with English abstract).
17- Shukla R.P., Tripathi K.C., Pandey A.C., Das I.M.L. 2011. Prediction of Indian summer monsoon rainfall using Niño indices: A neural network approach, Atmospheric Research, 102 (1–2): 99–109.
18- Smith, T.M., Arkin P.A., Sapiano M.R.P., CHang C.Y. 2010. Merged Statistical Analyses of Historical Monthly Precipitation Anomalies Beginning 1900, Journal of Climate, 23: 5755-5770. | ||
آمار تعداد مشاهده مقاله: 234 تعداد دریافت فایل اصل مقاله: 238 |