مقایسه مدل شبکه عصبی مصنوعی (ANN) و SDSM در کوچک مقیاس سازی دما
محل انتشار: فصلنامه علوم و مهندسی آبیاری، دوره: 40، شماره: 2
سال انتشار: 1396
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 359
فایل این مقاله در 15 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JISE-40-2_005
تاریخ نمایه سازی: 12 تیر 1398
چکیده مقاله:
در این پژوهش کوچک مقیاس سازی دما در دشت تجن واقع در استان مازندران انجام گرفت. نتایج مدلهای گردش عمومی جو با مدل اقلیمیHadCM3تحت سناریوی A2به دست آمد. از آنجایی که خروجی مدلهای گردش عمومی جو دارای وضوح مکانی پایینی است میبایست در سطح منطقه یا حوزه کوچک مقیاس شوند که این کار به روش آماری انجام شد. روشهای آماری مورد استفاده شامل مدل کوچک مقیاس سازی SDSM5.5.1 و مدل شبکه عصبی مصنوعی است. در این پژوهش، با استفاده از اطلاعات میانگین دمای روزانه ایستگاه کردخیل در طول دوره آماری 30 ساله (2001-1971) و متغیرهای بزرگ مقیاس NCEP، به عنوان ورودیهای شبکه عصبی و مدل SDSM، شبیه سازی و کوچک مقیاس سازی دمای بیشینه و کمینه در دوره گذشته به منظور تعیین خطای مدلها صورت گرفت. بدین منظور از امکانات و توابع موجود در محیط برنامهنویسی متلب، بهره گرفته شد. سپس برای ارزیابی عملکرد مدلها، از معیارهای آماری از جمله ضریب همبستگی،ضریب تبیین و جذر میانگین مربعات خطا بین مقادیر مشاهداتی و پیشبینی شدهی دما استفاده شد. نتایج بهدست آمده نشان دهنده کارآیی مناسب مدل SDSMبرای کوچک مقیاس سازی دما نسبت به مدل شبکه عصبی مصنوعی است. به طوری که درصد خطای مدل SDSMکمتر از شبکه عصبی و ضریب همبستگی آن بیشتر است.همچنین بهترین ساختار شبکه عصبی برای شبیه سازی دمای بیشینه مدل پرسپترون چهار لایه پنهان با معماری 6-6-5-5 و برای متغیر دمای کمینه مدل پرسپترون سه لایه پنهان با معماری 1-3-5 میباشد.
کلیدواژه ها:
نویسندگان
مجید شیدائیان
دانشگاه علوم کشاورزی و منابع طبیعی ساری
میرخالق ضیاءتبار احمدی
دانشگاه علوم کشاورزی و منابع طبیعی ساری
رامین فضل اولی
دانشیار دانشگاه علوم کشاورزی و منابع طبیعی ساری