جستجو در مقالات منتشر شده


2 نتیجه برای پیش­بینی

امیرحسین حلبیان، محمد دارند،
دوره 12، شماره 26 - ( 9-1391 )
چکیده

بارش مهمترین سنجه­ی هواشناسی و اقلیمی است. در این پژوهش به منظور پیش­بینی بارش اصفهان از داده های بارش ماهانه­ی ایستگاه همدید اصفهان در بازه­ی آماری (1951-2009) به مدت 59 سال و به دلیل رفتار غیرخطی بارش از شبکه های عصبی مصنوعی جهت پیش­بینی آن بهره گرفته شد. در این ارتباط، 70 درصد داده­ها جهت آموزش شبکه و 30 درصد داده ها برای تست و اعتبار سنجی اختصاص داده شد. نتایج پژوهش بعد از آزمون شبکه با لایه های پنهان و با ضرایب یادگیری مختلف آشکار ساخت که استفاده از شبکه های عصبی مصنوعی با یک پرسپترون با 2 لایه پنهان و ضریب یادگیری 4/0 نسبت به سایر حالت­ها و معماری شبکه، مدل نسبتاً بهتری را ارائه می­کند. به بیانی دیگر، داده­های پیش بینی شده بارش ماهانه توسط شبکه با چنین ساختار و معماری، بیشتر با واقعیت انطباق دارد. آموزش مجدد شبکه و آزمون شبکه با لایه های پنهان و ضرایب مختلف یادگیری در ترکیب با الگوریتم ژنتیک نیز نشان داد که ترکیب شبکه با ویژگی های مذکور با الگوریتم ژنتیک باعث کاهش خطا و افزایش سرعت محاسبات شده و مدل بهتری را ارائه می کند. بطور کلی می توان گفت که شبکه عصبی به خوبی رابطه غیر خطی بین مقادیر ماهانه بارش را با توجه به آموزش شبکه با خصوصیات ذکر شده، پیش بینی می کند. در عین حال، نتایج حاصل از تصادفی کردن داده­ها تفاوتی چندانی با مرتب بودن داده­ها برای آموزش شبکه ندارد.
سمیه سلطانی گردفرامرزی، عارف صابری، مرتضی قیصوری،
دوره 17، شماره 44 - ( 1-1396 )
چکیده

بارندگی یکی از مهمترین اجزای چرخه آب بوده و به عنوان یکی از مهمترین مولفه­های ورودی به چرخه­های هیدرولوژیکی بشمار می­رود که در سنجش خصوصیات اقلیمی هر منطقه، نقش بسیار مهمی را ایفا می­کند. در این پژوهش برای پیش­بینی بارندگی سالانه ایستگاه­های سینوپتیک مهاباد، ارومیه و ماکو در استان آذربایجان غربی در دوره آماری 92-1363، از سری زمانی آریما استفاده شد. برای بررسی ایستایی مدل توابع خودهمبستگی (ADF) و خودهمبستگی جزیی (PACF) بکار رفت و با روش تفاضل­گیری داده­های ناایستا به داده ایستا تبدیل شدند. با ایستا کردن داده­ها از مدل­های تصادفی برای پیش­بینی میانگین بارندگی سالانه استفاده گردید. با در نظر گرفتن معیارهای ارزیابی مدل شامل آماره T، P-VALUE کمتر از 05/0 و معیار اطلاعات بیزی (BIC), مدل(1,0,0)  ARIMA، مدل(0,1,1)  ARIMA و مدل(0,1,1)  ARIMA به ترتیب در ایستگاه­های ارومیه، ماکو و مهاباد به عنوان مدلی مناسب جهت پیش­بینی بارندگی سالانه تعیین و بارش به مدت سه سال (95-1392) پیش بینی شد. نتایج نشان دهنده افزایش بارش است که براساس آمار بارندگی موجود در سال­های مربوطه، نتایج مدل برازش یافته قابل قبول است.



صفحه 1 از 1     

کلیه حقوق این وب سایت متعلق به تحقیقات کاربردی علوم جغرافیایی می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2024 CC BY-NC 4.0 | Applied researches in Geographical Sciences

Designed & Developed by : Yektaweb