Skip to main content
فهرست مقالات

پیش آگاهی بلندمدت بارش با استفاده از سیستم شبکه ی عصبی مطالعه ی موردی: حوضه ی کارون بزرگ

نویسنده:

نویسنده مسئول:

ISC (18 صفحه - از 81 تا 98)

چکیده:

پیشآگاهی ماهانه و فصلی بارش در مدیریت منابع آب و کشاورزی نقش مهمی بر عهده دارد و با اطلاع از میزان بارندگی میتوان امکان وقوع خشکسالی و یا ترسالی را در یک منطقه پیشبینی و اقدامات لازم را به عمل آورد. به دلیل اینکه بخش عمدهای از بارشهای منظقه مورد مطالعه طی سه ماه ژانویه، فوریه و دسامبر به وقوع می پیوندد، لذا در این پژوهش به بررسی عوامل موثر بر بارش و مدل سازی این سه ماه پرداخته شد. برای مدل سازی بارش از داده های بارش ماهانه ی ایستگاه همدید و بارانسنجی در بازه ی آماری (۲۰۱۴-۱۹۸۴) به مدت ۳۰ سال بعنوان متغیر وابسته و شاخصهای اقلیمی، سیگنالهای بزرگ مقیاس اقلیمی شامل؛ دمای سطح دریا و دمای ۱۰۰۰ میلی باری، هم ارتفاع تراز ۵۰۰ میلی باری ، امگای ۲۰۰ میلی باری و عناصر اقلیمی بعنوان متغیر مستقل استفاده شده است. به دلیل رفتار غیرخطی بارش از شبکه های عصبی مصنوعی جهت مدل سازی بهره گرفته شد. جهت مشخص شدن بهترین معماری برای ورود به شبکه ی عصبی از تحلیل عاملی استفاده شد. برای پیش بینی بارش از داده هایی که بیشترین ارتباط را با بارش نشان دادند بصورت چهار الگو استفاده گردید که در ماه ژانویه الگوی چهارم با خطای آنتروپی ۰۴۵/۰، تعداد لایه های ورودی ۹۱ واحد ، بهترین آرایش ۱۵-۱ و ضریب همبستگی ۹۴ درصد بود. در ماه فوریه، الگوی سوم با ضریب همبستگی ۹۷ درصد، خطای آنتروپی ۰۳۶/. درصد ، تعداد واحدهای ورودی ۸ واحد و بهترین نوع آرایش لایه ی پنهان ۱۰-۱ بود. بارش ماه مارس با تمام الگوها ضریب پیش آگاهی بالا بود که الگوی اول با خطای آنتروپی ۰۳۸/.، تعداد واحدهای ورودی ۶۷، نوع آرایش لایه ی پنهان، ۱۷-۱، ضریب همبستگی ۹۸ درصد بود.

Rainfall prediction plays an important role in flood management and flood alert. With rainfall information, it is possible to predict the occurrence of floods in a given area and take the necessary measures. Due to the fact that the three months of January, February and March are most floods and most precipitation is occurring this quarter, this study aimed to investigate the factors affecting precipitation and modeling of this quarter. For precipitation modeling, the monthly rainfall data of the Hamadid and Baranzadeh station in the statistical period (1984-2014) for 30 years as a dependent variable and climatic indexes, large-scale climatic signals including sea surface temperatures and 1000 millimeter temperatures Altitude of 500 milligrams, 200 milligrams of omega and climatic elements have been used as independent variables. Due to the nonlinear behavior of rainfall, artificial neural networks were used for modeling. Factor analysis was used to determine the best architecture for entering the neural network. For prediction of precipitation, the data that showed the most relationship with precipitation was used in four patterns, in January the fourth pattern with entropy error was 045/0, the number of input layers was 91, the best makeup was 15-1, and the correlation coefficient was 94% Was. In February, the third pattern with a correlation coefficient of 97%, entropy error, was 0.36. Percentage, number of input units was 8 units, and the best type of latency layout was 10-1. The precipitation of March with all patterns was high predictive coefficient. The first pattern with entropy error was 0.038, the number of input units was 67, the hidden layer arrangement was 17-1, the correlation coefficient was 98%.

کلیدواژه ها:

سیستم های سینوپتیک ،شبکه عصبی پرسپترون ،تحلیل عاملی ،عناصر اقلیمی ،شاخصهای اقلیمی

Perceptron neural network ،Synoptic Systems ،Factor analysis ،Climatic indices ،climatic elements


برای مشاهده محتوای مقاله لازم است وارد پایگاه شوید. در صورتی که عضو نیستید از قسمت عضویت اقدام فرمایید.