اخبار و اعلانات
آمار
| تعداد نشریات | 27 |
| تعداد شماره‌ها | 587 |
| تعداد مقالات | 6,019 |
| تعداد مشاهده مقاله | 8,769,560 |
| تعداد دریافت فایل اصل مقاله | 5,777,473 |
پیشبینی خشکسالی با بکار‌گیری از مدلهای شبکه عصبی مصنوعی و سیستم استنتاج عصبی- فازی تطبیقی در حوزة مُند استان فارس | ||
| مخاطرات محیط طبیعی | ||
| مقاله 2، دوره 4، شماره 6، دی 1394، صفحه 21-32 اصل مقاله (601.49 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22111/jneh.2016.2521 | ||
| نویسندگان | ||
مهناز رستمی1؛ احمد پهلوانروی  2؛ علیرضا مقدم نیا3
| ||
| 1دانشجوی کارشناسی ارشد | ||
| 2عضو هیات علمی دانشگاه زابل | ||
| 3عضو هیات علمی | ||
| چکیده | ||
| امروزه خشکسالی یک معضل جدّی و گریبانگیر دربسیاری از کشورهای جهان است؛بنابراین پیشبینیِ آن از اهمیت به‌سزایی برخوردار میباشد. در این تحقیق، کارایی شبکة عصبی مصنوعی و سیستم استنتاج عصبی- فازیتطبیقی به عنوان روشهایی مؤثر برای پیشبینی شدت خشکسالی حوزة "مُند" استان فارس مورد بررسی قرار گرفت. برای این منظور از دادههای بارندگی ماهانة ایستگاه باران‌سنجی تنگاب استان فارس با دورة آماری 32 ساله استفاده گردید. شدت خشکسالی در دورة ماهانه با استفاده از شاخص بارندگی استاندارد شده (SPI) تعیین شد؛ سپس به‌وسیلة مدلهای ANN وANFIS و با استفاده از شاخص SPI پیشبینی شدت خشکسالی انجام گردید. از بین دادههای موجود، 70 درصد به عنوان دادههای آموزش و مابقی به عنوان دادههای اعتبارسنجی و دادههای آزمون انتخاب شد؛ سپس از طریق معیارهای آماری شامل ضریب همبستگی، میانگین مجذور مربعات خطا و ضریب ناش به کارایی عملکرد مدل‌ها پرداخته شد. نتایج نشان دادد که دقت روش شبکههای عصبی مصنوعی از روش سیستم استنتاج عصبی- فازیتطبیقی بیشتر میباشد؛ همچنین یافتههای حاصل از این بررسی نشان میدهد که هرچه پراکندگی دادههای ورودی مدل بیشتر باشد مدل استنتاج عصبی- فازی تطبیقی دارای توانایی بیشتری در شبیهسازی این نوع از دادهها میباشد. | ||
| کلیدواژه‌ها | ||
| خشکسالی؛ شبکة عصبی مصنوعی؛ سیستم استنتاج عصبی- فازی تطبیقی؛ شاخص SPI؛ حوزة آبریز مُند استان فارس | ||
| مراجع | ||
|
- اژدری مقدم، مهدی، محمود خسروی، حسین حسین‌پور نیکنام، احسان جعفری‌ندوشن (1390). پیشبینی خشکسالی با استفاده از مدل فازی-عصبی، شاخصهای اقلیمی، بارندگی و شاخص خشکسالی استان زاهدان، مجله جغرافیا و توسعه، مشهد، 26، صص: 72-61. - اعلمی، محمدتقی، یوسف حسین‌زاده، مهدی کماسی (1388). ارزیابی و مقایسه نمایههای خشکسالی و پیشبینی آن با شاخص SPI به روش مدلسازی دو متغیره با شبکة عصبی مصنوع، هشتمین سمینار بینالمللی مهندسی رودخانه، دانشگاه شهید چمران اهواز. - افخمی، حمیده، محمدتقی دستورانی، حسین ملکی‌نژاد، حسین مبین (1389). بررسی تأثیر عناصر اقلیمی بر افزایش دقت روش شبکة عصبی مصنوعی در پیشبینی خشکسالی استان یزد، مجلة علوم و فنون کشاورزی و منابع طبیعی، اصفهان،51، صص: 17-157. - پهلوانی، حمید (1388). ارزیابی کارایی مدلهای شبکه عصبی مصنوعی در تخمین هوشمند هیدروگراف سیل ورودی به سد مخزنی شیرین دره در مقایسه با مدلهای تطبیقی عصبی-فازی، پایاننامه کارشناسی ارشد آبخیزداری، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، دانشکده منابع طبیعی، گروه مرتع و آبخیزداری ، صفحه: 123. - حسینپورکاشانی، م.، منتصری، م، ع.، لطف‌الهی یقین، م. (1386). پیشبینی سیل در حوضههای فاقد آمار با استفاده از مدل رگرسیون و شبکه عصبی مصنوعی، سومین کنگره ملی مهندسی عمران. - صداقت‌کردار، ع.، فتاحی، الف (1387). شاخصهای پیشآگهی خشکسالی در ایران، مجله جغرافیا و توسعه، 6(11)، 76-59. - علیزاده، امین (1381). اصول هیدرولوژی کاربردی، مشهد انتشارات آستان قدس رضوی، جلد چهاردهم، صفحه:262. - عیوضی، معصومه، ابوالفضل مساعدی، امیر احمد دهقانی (1388). مقایسة روشهای مختلف پیشبینی شاخص خشکسالی SPI، مجلة پژوهشهای حفاظت آب و خاک،گرگان، 16(2)،صص: 167-145. - فتحی، پ.، کوچک زاده، م. (1383). تخمین تعریق خیار گلخانهای با استفاده از شبکه عصبی مصنوعی، مجله علوم خاک و آب، جلد 18 ، شماره 2. - فرخنیا، اشکان، سعید مرید، هوشنگ قائمی (1387). دادهکاوی روی سیگنالهای بزرگ مقیاس اقلیمی برای پیشبینی بلندمدت خشکسالی، سومین کنفرانس مدیریت منابع آب ایران، دانشکده مهندسی عمران دانشگاه تبریز. - کاویانی، محمد رضا و بهلول علیجانی (1378). مبانی آب و هواشناسی، تهران انتشارات سمت، جلد ششم،صفحه: 268. - مجرد قره‌باغ، فیروز (1376). تحلیل و پیش بینی یخبندان در آذربایجان رساله دوره دکتری، دانشگاه تربیت مدرس، دانشکده علوم انسانی. - منهاج، محمد باقر. (1387). مبانی شبکههای عصبی هوش محاسباتی، جلد اول، چاپ پنجم، انتشارات دانشگاه صنعتی امیرکبیر تهران. - نیکنام، حسین، مهدی اژدری مقدم، محمود خسروی (1389). استفاده از مدل فازی عصبی و الگوهای ارتباط از دور جهت پیشبینی خشکسالی زاهدان، چهارمین کنگره بین المللی جغرافیدانان جهان اسلام، دانشگاه سیستان و بلوچستان زاهدان. - یزدانی، وحید و حسین بانژاد (1388). پیشبینی خشکسالی هیدرولوژیکی استان اصفهان با استفاده از شبکه عصبی مصنوعی، دومین همایش ملی اثرات خشکسالی و راهکارهای مدیریت آن، مرکز تحقیقات کشاورزی و منابع طبیعی اصفهان. - Bacanli, U, Firat, M, Dikbas, F, 2008, Adaptive neuro-fuzzy inference system for drought forecasting. Stochastic Environmental Research and Risk Assessment. 8: 1143-1154.
- Crespo, J.L, Mora, E, 1993, Drought estimation with neural networks, Advances in Engineering Software18, 167–170.
- Chang, F. and Chang, Y.1990. Adaptive neuro-fuzzy inference system for prediction of water level in reservoir, Advances in Water Resources, Vol.29, Issue 1, Pp: 1-10.
- Jang, J.-S.R, 1993, ANFIS adaptive network based fuzzy inference system, IEEE Transactions on Systems, Man and Cybernetics, 3: 665–683.
- Mckee, T.B, Doesken, N.J and Kleist, J, 1993, The relationship of drought frequency and duration to time scales. 8th conference on Applied Climatology. 17-22 January California 176-184.
- Mishra, A.K and Desai V.R, 2006, Drought forecasting using feed-forward recursive neural network, Ecological Modelling, 198: 127-138.
- Mishra, A.K, Singh, V.P, 2012, Simulating hydrological drought properties at different spatial units in the United States based on wavelet-bayesian approach Earth Interactions Journal of Hydrology,17: 1–23.
- Santos, Celso Augusto, G, Morais, Bruno S, Silva, Gustavo, B L, 2009, Drought forecast using an artificial neural network for three hydrological zones in San Francisco River basin, Brazil, Proceedings of Symposium, Convention of The International Association of Hydrological Sciences,India 312 – 302.
- Sivanandam, S.N, Sumathi, S and Deepa, S.N. 2007. Introduction to Fuzzy Logic using MATLAB, Springer Berlin Heidelberg, New York. | ||
|
آمار تعداد مشاهده مقاله: 996 تعداد دریافت فایل اصل مقاله: 1,614 |
||
