مقایسه تطبیقی مدل شبکه عصبی مصنوعی (ANN) ومدل SARMA در پیش بینی خشکسالی اقلیمی با رویکرد توسعه پایدار منابع آب

سال انتشار: 1391
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,015

فایل این مقاله در 8 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

SDARIDR01_008

تاریخ نمایه سازی: 18 دی 1391

چکیده مقاله:

خشکسالی هیدرولوژیکی یک مسئله جدی برای اجتماعات انسانی و اکوسیستمی است که در نتیجه با تغییرات اقلیمی همراه خواهد بود. 90 درصد کشورایران را اقلیم خشک و نیمه خشک در برگرفته و نزدیک به 76 درصد آن با پدیده خشکسالی مواجه بوده است. در دهههای اخیر در بین حوادث طبیعی، پدیده خشکسالی از نظر درجه شدت، طول مدت، مجموع فضای تحت پوشش، خسارات اقتصادی و اثرات اجتماعی و زیست محیطی در جامعه بیشتر از سایر بلایای طبیعی بوده و پیامدهای حاصل از این پدیده ممکن است با تأخیر بیشتری نسبت به سایر حوادث طبیعی نمایان شود. پیش بینی خشکسالی نقش مهمی در طرح و مدیریت منابع طبیعی، سیستمهای منابع آب و... دارد. در عصر کنونی محدودیت منابع آبی جهت تأمین آب مورد نیاز بخشهای مختلف اقتصادی موجب بروز مشکلاتی عمدهای شده و باران به عنوان مهمترین منبع آبی موجود محسوب میشود. از جمله مهمترین مراحل پایش خشکسالی، پیش بینی و برآورد نزولات جوی برای هر منطقه و آبخیز به عنوان یکی از مهمترین پارامترهای اقلیمی در استفاده از منبع آبی محسوب میگردد. تا کنون تلاش بسیاری برای طراحی مدلهای پیش بینی صورت گرفته که از جمله آنها میتوان مدلهای آماریARMA و سایر مدلهای مبتنی بر رگرسیون را نام برد. در دهههای اخیر مدلهای شبکه های عصبی مصنوعی تواناییهای زیادی را در مدلسازی و پیش بینی توابع غیر خطی و غیر ایستا نشان داده و قادرند با پردازش دادههای تجربی، دانش یا قانون نهفته در بطن دادهها را فرا بگیرند . بدین جهت انتظار میرود شبکه های عصبی مصنوعی ابزاری مناسب برای یک مدل پیش بینی باشد. در مطالعه حاضر با به کارگیری اطلاعات بارندگی ایستگاه سینوپتیک شهرستان اهواز طی دوره آماری 35 ساله، نتایج حاصل از پیش بینی مدل خود رگرسیونی فصلی میانگین متحرک انباشتهSARMA)و مدل غیرخطی شبکه عصبی پرسپترون چند لایهMLP) و با الگوریتم آموزشی پس انتشار خطا برای سالهای 2006 تا 2010 با یکدیگر مقایسه و مدلی که داری کمترین معیارهای ارزیابی خطا و پایینترین سطحاختلاف آماری را با میزان واقعی بارندگی در طی دوره زمانی مذکور داشته، برای پیش بینی میزان بارندگی ماهانه و سیکل خشکسالی طی افق زمانی سالهای 2011 تا 2013 منطقه مطالعاتی انتخاب گردید

نویسندگان

فرشید علی پور

دانشجوی کارشناسی ارشد اقتصاد کشاورزی دانشگاه زابل

محمود صبوحی

دانشیار گروه اقتصاد کشاورزی دانشگاه زابل

نسرین مهدی پور

کارشناس مدیریت بازرگانی دانشگاه شیخ بهایی اصفهان

لیلا میرزاجانی

کارشناس ارشد مدیریت کشاورزی و مدرس دانشگاه پیام نور

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • شریفیان، ح. قهرمان، ب.، (1386)، ." ارزیابی پیش بینی باران ...
  • Wilhite, D.A. Rosenberg, N.J. and Glantz, M.H., (1986), "Improving federal ...
  • Palmer, W.C., (1965), ، 'Mete orological drought", USWB, Res. Paper, ...
  • Sharma, B.R., and Smakhtin, V.U., (2004), "Potential of water harvesting ...
  • Moried, S. Moghaddasi, M. Paemozd, SH. and Ghaemi, H., (2005), ...
  • Hung, N., (2008), _ artificial neural network model for rainfall ...
  • -regressive integrated moving average (ARIMA) modeling of Auto؛ 6. Jovanovski, ...
  • Dogan, E. Isik, S.T. and Sanaal, M., (2007), "Daily streamflow ...
  • Mishra, A.K. and Desai, V.R., (2005), "Drought Forecasting Using Stochastic ...
  • Mishra, A.K, and Desai, V.R., (2006), "Drought forecasting using feed-forward ...
  • 1. ASCE., (2000), "Task Committee on Application of Artificial Neural ...
  • نمایش کامل مراجع