نوع مقاله : مقاله علمی پژوهشی

نویسندگان

1 گروه جغرافیای طبعی، دانشگاه زنجان

2 کارشناسی ارشد اقلیم‌شناسی، دانشگاه زنجان.

06

چکیده

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.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Analysis and Forecasting Drought Days Using Artificial Neural Networks ‎Model (Case Study: Station Tehran)

نویسندگان [English]

  • Hossein asakereh 1
  • Farieba Sayadi 2

1 Humor of Geography, University of Zanjan

2 MS Graduated in Climatology, University Zanjan

چکیده [English]

Artificial neural networks as a nonlinear techniques in climate and hydrology studies are important to have. Climate change and the global warming of the climate phenomenon known as persistence of drought followed Number of dry days. In this study, the data of daily rainfall during the period (1976-2008) and artificial neural network in MATLAB software is used to predict the number of dry days Tehran station. Feed-forward type of network used by the algorithm reduces the gradient and Levenberg Marquardt is in the process of teaching and learning. Various structures in the input and hidden layers were tested during the training phase. Finally, a network with 4 inputs and 5 neurons in the hidden layer and 1 neuron in the output layer to best structure (4-5-1) with the highest correlation to predict the optimal answer. The results showed that the aforementioned stations, dry days predicted by the network during the period under review increased compared with that by calculating the probability of dry days during the period (2018-2009) using a Markov chain, the above been approved. The correlation coefficient values ​​predicted dry days without a genetic algorithm combined with 86 percent .After teaching network as genetic algorithm combined with 88 percent that able providing algorithm combined to network result passable showing

کلیدواژه‌ها [English]

  • : Artificia Nerual Network
  • Feed-forward
  • Genetic Algorithmn
  • Drought Days Forecasting
  • Tehran
ـ پیره، علیرضا و احمد فاتحی مرج (1390)، «بررسی میزان توان تأثیرگذاری سیگنال‌های بزرگ مقیاس اقلیمی بر بارش نواحی مختلف ایران با استفاده از شبکه عصبی مصنوعی»، کنفرانس ملی خشکسالی و تغییر اقلیم، مرکز تحقیقات کم‌آبی و خشکسالی در کشاورزی و منابع طبیعی.
ـ خورشیددوست، علی‌محمد؛ نساجی زواره، مجتبی و باقر قرمزچشمه (1391)، «بازسازی سری‌های زمانی دمای حداکثر و حداقل روزانه بااستفاده از روش نزدیک‌ترین همسایه و شبکه عصبی مصنوعی (مطالعه موردی غرب استان تهران)، فضای جغرافیایی، شماره 38، صص 214-197.
ـ خوشحال دستجردی، جواد و یوسف قویدل رحیمی (1386) «بررسی رابطه تغییرات بارش سالیانه تبریز با ناهنجاری‌های دمایی کره‌ زمین و شبیه‌سازی عددی آن با استفاده از شبکه عصبی مصنوعی، فصلنامه مدرس علوم انسانی، شماره 2،صص 15-1.   
ـ صدرموسوی، میرستار (رحیمی)، اکبر، «مقایسه نتایج شبکه‌های عصبی پرسپترون چندلایه با رگرسیون چندگانه در پیش‌بینی غلظت ازون در شهر تبریز، پژوهشهای جغرافیای طبیعی، شماره 71، (1388)، صص 72-65.
ـ فلاح قالهری، غلامعباس؛ موسوی‌بایگی، محمد و مجید حبیبی نوخندان (1387)، «پیش‌بینی بارش فصلی بر اساس الگو‌های سینوپتیکی با استفاده از سیستم فازی-عصبی تطبیقی (ANFIS)، پژوهشهای جغرافیای طبیعی، شماره 66 ، صص 139-121.
ـ قلی­زاده، محمدحسین و محمد دارند (1388)، «پیش‌بینی بارش ماهانه با استفاده از شبکه‌های عصبی مصنوعی (مورد: تهران)، پژوهش‌های جغرافیای طبیعی، شماره 71، صص63-51.
ـ کیا، مصطفی (1387)، «شبکه­های عصبی در MATLAB»، تهران، انتشارات کیان رایانه.
- منهاج، محمدباقر (1386)، «مبانی شبکههای عصبی»، چاپ چهارم، انتشارات دانشگاه صنعتی امیرکبیر.
ـ نگارش، حسین؛ اژدری مقدم، مهدی و محسن آرامش (1392)، «کاربردشبکه عصبی مصنوعی در شبیه­سازی و پیش­بینی سیلاب در حوضه آبریز سرباز، جغرافیا و توسعه، شماره 31،  صص 28-15.
ـ ویسی، هادی؛ مفاخری، کبری،  و سعید باقری شورکی (1388)، «مبانی شبکههای عصبی (ساختارها، الگوریتمها و کاربردها)، نشر تهران: نص.
-Azadi, Samira & Sepaskhah, Ali Reza (2011), “Annual precip-itation forecast for west, southwest, and south provinces of Iran using artifical neural network, Theor Appl Climatol, PP. 220-232.
-Efimov,V.V & Pososhkov,V.L, (2006), “Analaysis of observ-ations and methods for calculating hydrophysical fields in the ocean application of the method of artifical neural networks to The downscaling of precipitation forecasting in the coastal region of the Black Sea”, Physical Oceanography, No.3, Vol.16.
-Gao, Chao & Gemmer, Marco & Zeng, Xiaofan & Liu, Bo & Su, Buda & Yuhua, Wen, (2010), “Projected streamflow in tthe huaihe River basin (2010–2100) using artificial neural network”, Stoch Environ Res Risk Assess, PP.685–697.                                 
-John Cheng, Fi & Chiu Chang, Li & Lung Huang, Hau, (2002), “Real-Time recurrent learning neural network for stream-flow forecasting”, Hydrological Processes, 16, PP. 2577-2588.               
-Khalili, Najmeh & Khodashenas, Saeed Reza & Davary, Kam-ran & Karimaldini, Fatemeh, (2011), “Daily Rainfall Forecasting for Mashhad synoptic station using artifical neural Networks, International Conference on Enviromental and Computer Scien-ce, Vol.19.                                                                                         
-Rajurkar, M.P & Kothyari, U.C & Chaube, U.C, (2004), “Model-ing of The daily rainfall-runoff relationship with artificial neural Network, Journal of Hydrology, 285, PP.96-113.                                                                                                                         
-Sattari, M. Taghi & Apaydin, Halit & Ozturk, Fazli (2001), Flow Estimations For The Sohu Stream Using Artificial Neural Networks, Environment Earth Sci. PP.100-118.