پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 161 |
| تعداد شماره‌ها | 6,573 |
| تعداد مقالات | 71,036 |
| تعداد مشاهده مقاله | 125,508,858 |
| تعداد دریافت فایل اصل مقاله | 98,772,174 |
پیشبینی مقادیر بارش ماهانه با استفاده از شبکههای عصبی مصنوعی و مدل درختی M5 (مطالعۀ موردی: ایستگاه اهر) | ||
| پژوهش های جغرافیای طبیعی | ||
| مقاله 8، دوره 46، شماره 2، تیر 1393، صفحه 247-260 اصل مقاله (784.09 K) | ||
| نوع مقاله: مقاله کامل | ||
| شناسه دیجیتال (DOI): 10.22059/jphgr.2014.51428 | ||
| نویسندگان | ||
| محمدتقی ستاری1؛ علی رضازاده جودی* 2؛ فرناز نهرین3 | ||
| 1استادیار گروه مهندسی آب، دانشکدۀ کشاورزی، دانشگاه تبریز | ||
| 2دانشجوی کارشناسی ارشد عمران آب، دانشگاه آزاد اسلامی، واحد مراغه | ||
| 3دانشجوی کارشناسی ارشد سازههای آبی، دانشکدۀ کشاورزی، دانشگاه تبریز | ||
| چکیده | ||
| بارش یکی از مهمترین اجزای چرخۀ آب است و در سنجش خصوصیات اقلیمی هر منطقه، نقش بسیار مهمی ایفا میکند. تخمین مقادیر بارش ماهانه برای اهداف مختلفی چون، برآورد سیلاب، خشکسالی، برنامهریزی آبیاری و مدیریت حوضههای آبریز، اهمیت زیادی دارد. پیشبینی بارش در هر منطقهای نیازمند وجود دادههای دقیق اندازهگیریشدهای مانند، رطوبت، دما، فشار، سرعت باد و غیره است. محدودیتهایی چون، نبود اطلاعات کافی در مورد مقدار بارش در مقیاسهای زمانی و مکانی و همچنین پیچیدگی روابط بین پارامترهای هواشناسی مرتبط با بارش، موجب میشود محاسبۀ این پارامتر با استفاده از روشهای معمول بهطور دقیق انجام نگیرد. در این پژوهش، ابتدا سناریوهای مختلفی از ترکیب پارامترهای هواشناسی در مقیاس ماهانه برای منطقۀ اهر در استان آذربایجان شرقی، بهمنزلۀ ورودی شبکههای عصبی مصنوعی و مدل درختی 5M تعریف شد و سپس با در نظر گرفتن دو آمارۀ R و RMSE بهترین سناریو برای هر یک از این دو مدل انتخاب شد. یافتهها نشان داد که هر دو روش نتایج نسبتاً دقیقی را برای پیشبینی ماهانۀ منطقه ارائه میکنند، ولی از آنجاکه مدل درختی 5M روابط خطی سادهای در اختیار کاربر میگذارد، این روش کاربردیتر است. | ||
| کلیدواژه‌ها | ||
| اهر؛ پیشبینی بارش ماهانه؛ شبکههای عصبی مصنوعی؛ مدل درختی 5M | ||
|
آمار تعداد مشاهده مقاله: 3,360 تعداد دریافت فایل اصل مقاله: 2,457 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب