ارزیابی دقت شبکه عصبی مصنوعی بازگشتی نارکس در پیش بینی بارش روزانه در استان کرمان
الموضوعات :کمال امیدوار 1 , معصومه نبوی زاده 2 , میثم ثمره قاسم 3
1 - استاد گروه اقلیم شناسی، دانشگاه یزد، ایران
2 - کارشناس ارشد اقلیم شناسی، دانشگاه یزد، ایران
3 - کارشناس ارشد هوش مصنوعی، دانشگاه باهنر، ایران
الکلمات المفتاحية: بافت, پیش بینی بارش, شبکۀ عصبی پرسپترون, ش بّکۀ عص بّی ن اّرکس, کرم اّن, میانده جیرفت,
ملخص المقالة :
بارش یکی از پارامترهای مهم اقلیمشناسی و سایر علوم جوّی که از اهمیّ تّ والای یّ در حیاتبشر برخوردار است. در سالهای اخیر، سیل و خشکسالی خسار های فراوانی را در بس یّاریاز مناطق جهان در پی داشته است. پیش بینی بارش در مدیریت و هشدار این معضلا نق شّمهمی بر عهده دارد. امروزه شبکههای عصبی مصنوعی از جمله روشهای نوین م یّباش دّ ک هّبرای تخمین و پیشبینی پارامترها با استفاده از ارتباط ذاتی بین دادهه اّ توس عّه یافت هّ اس تّ.هدف این پژوهش، ارزیابی دقت شبکه عصبی بازگشتی نارکس در پیش بین یّ ب اّرش روزان هّمیباشد که با استفاده از آمار روزانۀ هواشناسی ایستگاههای کرمان، بافت و میانده جیرفت، طی7393 (، میباشد به منظور مقایسه به آموزش شبکههای - دوره مشترک آماری 11 ساله ) 1171عصبی مصنوعی با ساختار پرسپترون چند لایه و شبکه عصبی بازگشتی نارکس پرداخت هّ ش دّ.عوامل اقلیمی مؤثر در بارش به عنوان ورودیهای شبکههای عصبی مصنوعی و بارش روزانه بهو ض رّی )MSE( عنوان خروجی شبکه در نظر گرفته شد. آم اّره اّی می اّنگین مرب ه اّ خط اّبه منظور ارزیابی روشهای بکار برده شده، استفاده گردید. نتایج نشان داد ک هّ ،)R( همبستگیمدل ترکیبی 41 ، بر پایه قانون آموزش لونبرگ م اّرکوا و ت اّب مک رّک س یّگموبید ب اّ هم هّپارامترهای هواشناسی در هر سه ایس تّگاه از دقّ تّ قاب لّ قب وّلی برخ وّردار اس تّ. همچن یّنمشخص شد که مدلهای مطلوب شبکه عصبی مصنوعی در یالت تغییرا افزایشی نسبت ب هّرطوبت نسبی، دارا ی بیشترین یساسیّت هستند
1- افخمی،ح.، دستورانی، م.ت.، ملکی نژاد،ح.، مبین،م.ح.، (1389): بررسی تأثیر عناصر اقلیمی بر افزایش دقّت روش شبکه عصبی مصنوعی در پیش بینی خشک سالی منطقه یزد، علوم و فنون کشاورزی و منابع طبیعی، علوم آب و خاک، شماره 51،169-158.
2- اژدرپور، م. (1387): پیش بینی رابطه بارش رواناب به روش شبکه عصبی مصنوعی در حوضه آبریز رودخانه اعظم هرات، پایاننامه کارشناسی ارشد دانشگاه یزد، دانشکده علوم انسانی،100-1.
3- بهارلو، ر.، (1388): پیش بینی سری زمانی با وابستگیهای دراز مدّت با استفاده از شبکه عصبی بازگشتی NARX، دوازدهمین کنفرانس دانشجویی مهندسی برق، ص1:6،
4- حلبیان، ا.م.، (1388): پیش آگاهی و برآورد بارش یزد با استفاده از شبکه عصبی مصنوعی، نشریه تحقیقات کاربردی علوم جغرافیا، جلد 11، شماره14، ص 8:28،
5- خلیلی، ن.؛ خداشناس، س.، ر.، داوری، ک.، موسوی بایگی، م.، (1389): پیش بینی بارش روزانه با شبکههای عصبی مصنوعی، مطالعه موردی: ایستگاه سینوپتیک مشهد، پژوهشهای آبخیزداری، شماره 89، ص 8:15.
6- خسروی م.، شکیبا، ه.، (1389): پیش بینی بارش با استفاده از شبکههای عصبی مصنوعی به منظور مدیریت سیل ایرانشهر، مجموعه مقالات چهارمین کنگره بین المللی جغرافی دانان جهان اسلام، 21-2.
7- قلّی زاده م.ح. و دارند،م. (1388): پیش بینی بارش ماهانه با استفاده از شبکههای عصبی مصنوعی (مورد تهران)، مجله پژوهشهای جغرافیای طبیعی، 71، صص 63-51.
_||_8- Ardalani, A., Zolfaghari, S., (2010): "Chaotic Time Series Prediction With Residual Analysis Method Using Hybrid Elman–NARX Neural Networks" Neurocomputing 73, 2540–2553.
9- Diaconescu, E., (2008): "The Uuse of NARX Neural Networks to Predict Chaotic Time Series",Wseas Transactions on Computer Research, pp, 182-191.
10- Hall, T., Brooks, H.E., Doswell, C. A. (1999):"Precipitauion Forecasting Using a Neural Network",Weather and Forecasting, No. 144, 338-345.
11- Hung, N. Q. Babel, Weesakul, M. S. S. and Tripathi N. K., (2008): "An Artificial Neural t-justify:kashida;text-kashida:0%;text-indent:-14.15pt;line-height:normal; tab-stops:14.1pt;direction:rtl;unicode-bidi:embed'>7- قلّی زاده م.ح. و دارند،م. (1388): پیش بینی بارش ماهانه با استفاده از شبکههای عصبی مصنوعی (مورد تهران)، مجله پژوهشهای جغرافیای طبیعی، 71، صص 63-51.
