مقایسه کارایی شبکههای عصبی آماری، فازی و پرسپترونی در پیشبینی طوفانهای گردوغبار در نواحی بحرانی کشور | ||
| تحقیقات آب و خاک ایران | ||
| دوره 51، شماره 8، آبان 1399، صفحه 2051-2063 اصل مقاله (1.43 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ijswr.2020.302529.668607 | ||
| نویسندگان | ||
| محمد انصاری قوجقار* 1؛ مسعود پورغلام آمیجی2؛ جواد بذرافشان2؛ عبدالمجید لیاقت2؛ شهاب عراقی نژاد2 | ||
| 1دانشجوی دکتری مهندسی منابع آب گروه مهندسی آبیاری و آبادانی، دانشگاه تهران ، کرج، ایران | ||
| 2گروه مهندسی آبیاری و آبادانی، دانشکده مهندسی و فناوری کشاورزی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران. | ||
| چکیده | ||
| مناطق مختلف، استعدادهای متفاوتی در انتشار گردوغبار دارند و افزایش طوفانهای گردوغبار نشاندهنده حاکمیت اکوسیستم بیابانی در هر منطقه است. درک صحیح وقوع طوفانهای گردوغبار در هر منطقه، به مدیریت و کاهش خسارتهای حاصل از گردوغبار کمک شایانی میکند. هدف از این تحقیق پیشبینی فراوانی روزهای همراه با طوفانهای گردوغبار (FDSD) در مقیاس زمانی فصلی است. بدین منظور، با استفاده از دادههای سینوپ ساعتی و کدهای گردوغبار سازمان جهانی هواشناسی، روزهای همراه با طوفانهای گردوغبار در شش ایستگاه همدید زابل، آبادان، اهواز، زاهدان، بستان و مسجدسلیمان با طول دوره آماری 25 ساله (2014-1990) تعیین شد. پس از محاسبه فراوانی تعداد روزهای همراه با طوفانهای گردوغبار و تشکیل سریهای زمانی فصلی، با استفاده از چهار روش هوش مصنوعی شامل شبکه عصبی پرسپترونی چندلایه (MLP)، سیستم استنباط عصبی-فازی تطبیقی (ANFIS)، شبکه عصبی مبتنی بر توابع پایه شعاعی (RBF) و شبکه عصبی رگرسیون تعمیمیافته (GRNN) اقدام به پیشبینی فراوانی روزهای همراه با طوفانهای گردوغبار در یک فصل بعد شد. نتایج حاکی از افزایش دقت پیشبینیها در فصول همراه با تعداد بیشتر روزهای همراه با طوفان گردوغبار بود؛ به نحوی که بر اساس نتایج حاصل از مدل MLP، ضریب همبستگی بین مقادیر مشاهداتی و پیشبینیشده فراوانی روزهای همراه با طوفان گردوغبار برای ایستگاه مسجدسلیمان و زابل به ترتیب 8/0 و 97/0 بوده است. با این توضیح که زابل بیشترین فراوانی را در بین این ایستگاهها دارد. همچنین با توجه به نتیجه مدلهای ANFIS، RBF و GRNN به ترتیب ضریب همبستگی محاسبهشده برای پیشبینی در ایستگاههای مسجدسلیمان و زابل از 41/0 تا 95/0، 35/0 تا 92/0 و 22/0 تا 98/0 متغیر بود. در مجموع با مقایسه نتیجه مدلهای مورد استفاده، ANFIS بهترین عملکرد و بعد از آن GRNN بهترین نتیجه را ارائه نموده است. نتایج این مطالعه میتواند در مدیریت پیامدهای ناشی از طوفان گردوغبار و برنامههای مقابله با بیابانزایی در مناطق تحت مطالعه مفید باشد. | ||
| کلیدواژهها | ||
| پیشبینی؛ توابع پایه شعاعی؛ گردوغبار؛ سیستم استنباط عصبی-فازی تطبیقی؛ هوش مصنوعی | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 1,438 تعداد دریافت فایل اصل مقاله: 884 |
||