ارزیابی دقت شبکه عصبی مصنوعی بازگشتی نارکس در پیش بینی بارش روزانه در استان کرمان
محورهای موضوعی : اقلیم شناسیکمال 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
کلید واژه: بافت, پیش بینی بارش, شبکۀ عصبی پرسپترون, ش بّکۀ عص بّی ن اّرکس, کرم اّن, میانده جیرفت,
چکیده مقاله :
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
Precipitation is one of important parameters of climatology and atmospheric science that have more importance in human life. recently, extensive flood and drought entered many damage to most parts of the world. Precipitation forecasting has important role in management and warning of this problem. Due to the interaction of various meteorological parameters in the calculation of rain, leads it to a very irregular and chaotic process. The purpose of this study, assessment of forecasting precipitation, using data from meteorological stations of the using common statistical period (2012-1989) in Kerman, Baft, Miandeh Jiroft. In this way, to the training of the artificial neural networks with structure Perceptron, Nonlinear Autoregressive External. Effective Factors in the rain, as input for Artificial Neural Networks and precipitation was considered as the output of the Network. Statistic indicators MSE, R were used for performance evaluation of the models. The analysis of output results from, Nonlinear Autoregressive External Neural Networks shown that these models have better accuracy and a high ability to forecast precipitation than Perceptron Neural Networks. The results showed the more exact method concerned to the (NARX) model. The 42 models with all parameters with Levenberg Marquat rule and sigmoid function had the best topology of the model in three stations. Overall, evaluation of NARX results showed that the errors of ANN were negligible. The NARX showed high sensitivity to relative humidity.
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.
