دادهکاوی دادههای بارش تجمعی 24 ساعتۀ ایران با استفاده از یادگیری ماشین شبکۀ عصبی پرسپترون چندلایه و درخت تصمیم | ||
| مجله اکوهیدرولوژی | ||
| دوره 12، شماره 2، تابستان 1404، صفحه 795-811 اصل مقاله (1.39 M) | ||
| نوع مقاله: پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ije.2025.395276.1870 | ||
| نویسندگان | ||
| مظفر فرجی1؛ مجید رضایی بنفشه درق* 2؛ بهروز ساری صراف3؛ علی محمد خورشید دوست3 | ||
| 1دانشجوی دکتری، گروه آبوهواشناسی، دانشگاه تبریز، تبریز، ایران | ||
| 2استاد، گروه آبوهواشناسی، دانشگاه تبریز، تبریز، ایران | ||
| 3استاد، گروه آبوهواشناسی، دانشگاه تیریز، تبریز، ایران | ||
| چکیده | ||
| موضوع: این مطالعه به بررسی دادههای بارش تجمعی ۲۴ ساعته در ایران و پیشبینی میزان بارش در دورههای زمانی مختلف ازطریق دادهکاوی و یادگیری ماشین میپردازد. هدف: توسعۀ مدلی دقیق برای پیشبینی بارش تجمعی ۲۴ ساعته در مناطق ایران با استفاده از شبکههای عصبی چندلایه و درخت تصمیم، بهمنظور بهبود برنامهریزی هیدرولوژیکی و مدیریت منابع آب. روش تحقیق: مجموعه دادۀ بارش روزانۀ D از ایستگاههای ایران جمعآوری و با نرمالسازی آماده شد. دو مدل یادگیری ماشین شامل MLP با تابع فعالسازی σ و درخت تصمیم با معیار آنتروپی پیادهسازی شد. عملکرد مدلها با معیارهای دقت، صحت و خطا ارزیابی و مقایسه گردید. یافتهها: مدل MLP در تخمین بارش ماهانه با حداقلسازی MSE به میزان 04/0 کارایی نشان داد. تحلیل درخت تصمیم، استانهای ایران را براساس ویژگیهای بارش به هفت خوشهبندی تقسیم کرد؛ خوشههای 4 و 7 بهترتیب استانهای با کمینه (شامل اصفهان، سیستان و بلوچستان، یزد) و بیشینۀ بارش (شامل گیلان، کهگیلویه و بویراحمد، مازندران) را نشان داد. رگرسیون خطی تأثیر معنادار متغیر زمان با 209/0 بر واریانس بارش را نشان داد. نتیجهگیری: استفاده از یادگیری ماشین، بهویژه شبکههای عصبی، در تحلیل دادههای هیدرولوژیکی ایران مؤثر است و میتواند به بهبود سیستمهای پیشبینی بارش کمک کند. | ||
| کلیدواژهها | ||
| شبکه عصبی؛ پرسپترون چندلایه؛ درخت تصمیم؛ بارش؛ ایران | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 749 تعداد دریافت فایل اصل مقاله: 382 |
||