کاربرد مدل های شبکه عصبی مصنوعی در تخمین نمایه های خشکسالی SPI و PDSI در ایستگاه سینوپتیک شهر مشهد

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

 کاربرد مدل های شبکه عصبی مصنوعی در تخمین نمایه های خشکسالی SPI و PDSI در ایستگاه سینوپتیک شهر مشهد دارای ۱۷ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد کاربرد مدل های شبکه عصبی مصنوعی در تخمین نمایه های خشکسالی SPI و PDSI در ایستگاه سینوپتیک شهر مشهد  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی کاربرد مدل های شبکه عصبی مصنوعی در تخمین نمایه های خشکسالی SPI و PDSI در ایستگاه سینوپتیک شهر مشهد،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن کاربرد مدل های شبکه عصبی مصنوعی در تخمین نمایه های خشکسالی SPI و PDSI در ایستگاه سینوپتیک شهر مشهد :

نام کنفرانس، همایش یا نشریه : پژوهش آب در کشاورزی (علوم خاک و آب)

تعداد صفحات :۱۷

خشکسالی در بین بلایای طبیعی از نظر شدت، مدت و خسارت در رتبه اول قرار دارد. برای تخمین خشکسالی به دلیل دینامیک پیچیده حاکم بر آن لازم است از مدل های دینامیکی که در آن فرآیندهای حاکم بر پدیده خشکسالی درنظر گرفته می شود، استفاده کرد. مدل های شبکه عصبی مصنوعی از جمله این مدل ها می باشندکه قادرند روابط میان ورودی ها و خروجی های یک سامانه فیزیکی را که توسط شبکه ای از گره ها که همگی با هم متصل هستند، تعیین نمایند. این پژوهش برای پیش بینی پدیده خشکسالی در ایستگاه سینوپتیک شهر مشهد با استفاده از مدل های پرسپترون و گرادیان نزولی با الگوریتم های آموزش مومنتوم و گرادیان نزولی انجام شد. متغیرهای ورودی مدل برای نمایه SPI شامل بارندگی، نمایه بزرگ مقیاس اقلیمی SOI و NAO در فاصله زمانی ۱۹۵۱ الی ۲۰۰۷ و خروجی شبکه نیز نمایه SPI در تاخیرهای زمانی و متغیرهای ورودی برای نمایه PDSI شامل بارندگی، SOI، NAO و دما در فاصله زمانی ۱۹۵۱ الی ۲۰۰۷ و خروجی شبکه نمایه PDSI در تاخیرهای زمانی متفاوت می باشد. برای مدل نمودن نمایه SPI از داده های ۵۷ سال بارندگی ایستگاه سینوپتیک شهر مشهد استفاده شدکه ۴۶ سال آن برای آموزش شبکه و مابقی (۱۱ سال) برای آزمون شبکه مورد استفاده قرار گرفت و برای مدل کردن نمایه PDSI از ۵۲ سال داده آماری، ۳۳ سال داده برای آموزش شبکه، ۹ سال برای اعتبار سنجی و ۱۰ سال باقیمانده نیز برای آزمون شبکه با استفاده از نرم افزار Nero Solutions5 انجام شد. همچنین به منظور بررسی ارتباط ENSO با بارش های ایستگاه سینوپتیک مشهد از روش رگرسیون استفاده شد. بررسی نتایج نشان داد مقادیر نوسانات جنوبی تاثیر اندک و مقادیر نوسانات اطلس شمالی دارای عدم تاثیر روی بارندگی های ایستگاه سینوپتیک مشهد هستند. وقوع پدیده انسوی قوی در جهان بر روی بارندگی های ایستگاه سینوپتیک مشهد تاثیر گذاشته،لانینا باعث خشکسالی در سال بعد از وقوع آن و موجب کاهش بارندگی در این ایستگاه شده و وقوع فاز گرم انسو موجب افزایش بارندگی در فصل زمستان و کاهش بارندگی در دیگر فصول می گردد. به علت زیاد بودن دامنه تغییرات بارندگی در مقیاسهای ۱، ۲ و ۳ ماهه دقت نتایج پیش بینی شده توسط این سری های زمانی بسیار کم است و با افزایش مقیاس زمانی نمایه، دامنه تغییرات بارندگی نیز کاهش می یابد و بر دقت نتایج افزوده می شود. همچنین مدل های پرسپترون و پیشخور عمومی دارای عملکرد خوبی در پیش بینی خشکسالی هستند، به طوری که معیارهای عملکرد R2=0.78 برای پیش بینی ۱۸ SPI ماهه و R2=0.76 برای پیش بینی PDSI گویای این مطلب می باشند.

کلید واژه: مدل پرسپترون، مدل گرادیان نزولی