CIVILICA We Respect the Science
(ناشر تخصصی کنفرانسهای کشور / شماره مجوز انتشارات از وزارت فرهنگ و ارشاد اسلامی: ۸۹۷۱)

گواهی نمایه سازی مقاله استفاده از شاخص بارش استاندارد شده و شبکه عصبی پیش خور پس انتشاردر تخمین روند خشکسالی

عنوان مقاله: استفاده از شاخص بارش استاندارد شده و شبکه عصبی پیش خور پس انتشاردر تخمین روند خشکسالی
شناسه (COI) مقاله: NCTOCE01_066
منتشر شده در کنفرانس ملی تکنیکهای نوین محاسباتی و بهینه سازی در مهندسی عمران در سال ۱۳۹۲
مشخصات نویسندگان مقاله:

سیامند قاضی - کارشناس ارشد عمران آب دانشکده عمران دانشگاه آزاد اسلامی مهاباد
پیمان ادیب زاده - کارشناس ارشد عمران آب دانشکده عمران دانشگاه آزاد اسلامی مهاباد
هیوا ملایی - مدرس دانشگاه آزاد اسلامی واحد بوکان، گروه عمران، بوکان، ایران
جعفر عباسی - کارشناس ارشد عمران آب دانشکده عمران دانشگاه آزاد اسلامی مهاباد

خلاصه مقاله:
خشکسالی یکی از بلایای طبیعی است که خسارات زیادی به زندگی انسان و اکوسیست مهای طبیعی وارد می کند. یکی از شاخصهای پایش خشکسالی، شاخص بارش استاندارد شدهSPI)می باشد که از قابلیت تقریباً بالایی نسبت به دیگر شاخص های پایش خشکسالی برخوردار است پیش بینی خشکسالی همواره مورد توجه پژوهشگران بوده است. در این تحقیق از شاخص بارش استاندارد شدهSPI) برای پایش خشکسالی در بازه های مختلف زمانی و برای ایستگاه های مختلف برگزیده از استان آذربایجا نغربی استفاده گردید و به دنبال آن از مقادیرSPIدر بازه های مختلف زمانی به عنوان ورودی و خروجی مطلوب در طراحی شبکه عصبی مصنوعی برای پیش بینی روند خشکسالی استفاده شد. در این زمینه 4نوع مدل برای طراحی شبکه عصبی تعریف شده است. با توجه به مطالعات و تحقیقات انجام شده در زمینه عناصر جوی و اقلیمی، شبکه هایعصبی پیشخور پس انتشارFFBP)با الگوریتم یادگیری لونبرگ-مارکوارتLM)مورد استفاده قرار گرفت. در این تحقیق دو مدلANN1و2 ANNبه ترتیب دارای یک پارامتر ورودی و سه پارامتر ورودی، به ترتیبSPIیک ماه گذشته وSPI سه ماه متوالی گذشته برای پیش بینیSPIماه آینده و همچنین دو مدلANN و 4 ANN3 به ترتیب دارای یک پارامتر ورودی و سه پارامتر ورودی، به ترتیبSPIماه مورد نظر در یک سال گذشته وSPIماه مورد نظر در سه سال متوالی گذشته برای پیش بینیSPIسال آینده استفاده شده اند. در این میان مدلANN1بهترین نتیجه را داشته است و همچنین در این مدل، نتایج نشان دهنده عملکرد پایین برآوردSPI به وسیله شبکه های عصبی مصنوعی در سری های زمانیSPI3 ماهه و 6 ماهه نسبت به سر یهای زمانیSPI 24 ماهه و 48 ماهه بوده است

کلمات کلیدی:
خشکسالی /LM و FFBP ، ،SPI

صفحه اختصاصی مقاله و دریافت فایل کامل: https://www.civilica.com/Paper-NCTOCE01-NCTOCE01_066.html