TY - JOUR ID - 6524 TI - تحلیل و پیش‌بینی روزهای خشک با استفاده از مدل شبکه عصبی مصنوعی (مطالعه موردی: ایستگاه تهران) JO - جغرافیا و برنامه‌ریزی JA - GP LA - fa SN - 2008-8078 AU - عساکره, حسین AU - صیادی, فریبا AD - گروه جغرافیای طبعی، دانشگاه زنجان AD - کارشناسی ارشد اقلیم‌شناسی، دانشگاه زنجان. Y1 - 2017 PY - 2017 VL - 21 IS - 60 SP - 161 EP - 167 KW - شبکه عصبی مصنوعی KW - شبکه پیش‌خور KW - الگوریتم ژنتیک KW - پیش‌بینی روزهای خشک KW - تهران DO - 06 N2 - شبکه‌های عصبی مصنوعی  به­عنوان یکی از تکنیک‌های غیرخطی در مطالعات اقلیمی و هیدرولوژی اهمیت فراوانی به­خود اختصاص داده­اند. تغییراقلیم و به­دنبال آن گرمایش جهانی از پدیده‌های اقلیمی به شمار می‌رود. شمار روزهای خشک و تداوم آن خشکسالی را به­دنبال دارد. در این پژوهش از داده‌های بارش روزانه طی سال‌های (1976-2008) و شبکه عصبی مصنوعی در نرم‌افزار MATLAB به­منظور پیش‌بینی شمار روزهای خشک ایستگاه تهران استفاده شده است. شبکه به­کار رفته از نوع Feed-forward با الگوریتم کاهش شیب و مارکوارت لونبرگ در مرحله آموزش و یادگیری می‌باشد. ساختارهای گوناگونی در لایه ورودی و پنهان در مرحله آموزش مورد آزمایش قرار گرفت. در نهایت شبکه با 4 ورودی و 5 نرون در لایه پنهان و 1 نرون در لایه خروجی به مطلوب‌ترین ساختار (1-5-4) جهت پیش‌بینی بهینه با بیش‌ترین همبستگی پاسخ داد. نتایج نشان داد که در ایستگاه مذکور، روزهای خشک پیش‌بینی شده توسط شبکه در مقایسه با طول دوره آماری مورد بررسی دارای روند افزایشی بوده است که با محاسبه احتمال وقوع روزهای خشک، طی سال‌های (2018-2009) با استفاده از زنجیره مارکوف، موارد فوق تأیید گردیده است. ضریب همبستگی مقادیر پیش‌بینی روزهای خشک بدون ترکیب با الگوریتم ژنتیک 86 درصد است. بعد از آموزش شبکه با ترکیب  الگوریتم ژنتیک با لایه­‌های مختلف این مقدار به 88درصد رسید که می‌توان گفت در صورت ترکیب شبکه با الگوریتم مذکور نتایج قابل قبول ارائه می­دهد. UR - https://geoplanning.tabrizu.ac.ir/article_6524.html L1 - https://geoplanning.tabrizu.ac.ir/article_6524_061696d393a65599061571be29f67d27.pdf ER -