Persian
Language
Geographical Research is Published in Persian Fulltext.
دوره 30، شماره 3 - ( 1394 )
جلد 30 شماره 3 صفحات 258-241 |
برگشت به فهرست نسخه ها
نوع مقاله:
موضوع مقاله:
History
دریافت: 1393/8/26 | پذیرش: 1394/2/22 | انتشار: 1394/9/28
دریافت: 1393/8/26 | پذیرش: 1394/2/22 | انتشار: 1394/9/28
How to cite this article
Azizi H R, Montazeri M. Anticipated Monthly Temperatures for Selected Stations in Isfahan Province Using Artificial Neural Network Multi-layer Perceptron. GeoRes 2015; 30 (3) :241-258
URL: http://georesearch.ir/article-1-144-fa.html
URL: http://georesearch.ir/article-1-144-fa.html
عزیزی حمیدرضا، منتظری مجید. پیش بینی دماهای ماهانه ایستگاه های همدید منتخب استان اصفهان، با استفاده از شبکه عصبی مصنوعی پرسپترون چندلایه. فصلنامه تحقیقات جغرافیایی. 1394; 30 (3) :241-258
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Rights and permissions
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Authors
حمیدرضا عزیزی1، مجید منتظری*1
1- گروه جغرافیا،دانشگاه آزاد اسلامی، واحد نجف آباد،اصفهان،ایران
چکیده (4156 مشاهده)
پیش بینی دما از کاربردی ترین برآوردهای عناصر آب و هوایی است. امروزه بخش های کشاورزی و صنعت وابستگی زیادی به شرایط دمایی (آب و هوا) دارند. دما یکی از فراسنج های بسیار مهم آب و هوایی است و از عوامل اصلی هویت آب و هوایی هر ناحیه محسوب می شود. هدف از انجام این پژوهش، مدل سازی برای پیش بینی میانگین دمای ماهانه ایستگاه های منتخب استان اصفهان است؛ از این رو، پس از بررسی طول دوره آماری ایستگاههای موجود در استان، سه ایستگاه همدید ازن سنجی، شرق اصفهان و کاشان انتخاب شدند. از آنجا که روش شبکه عصبی مصنوعی، توانایی زیادی در شبیه سازی و پیش بینی عناصر جوی و آب و هوایی؛ بویژه دما دارند، برای مدل سازی و پیشبینی دمای ماهانه از این روش استفاده شد. شبکه عصبی مصنوعی، یکی از قدرتمندترین مدل هایی است که قادر به دریافت و نمایش پیچیده روابط ورودی و خروجی داده هاست. یکی از پرکاربردترین مدلهای شبکه عصبی مدل پرسپترون چندلایه (MLP) است. برای تعیین بهترین ورودی های شبکه، پس از سعی و خطای بسیار در نهایت ساختاری با استفاده از میانگین دمای 7 ماه قبل برای پیش بینی دمای ماه بعدی انتخاب شد. بدین ترتیب، دمای ماهانه برای 24 ماه آینده پیش بینی شد که در این حالت بهترین همبستگی را بین داده ها نشان داد. بدین منظور، از نرم افزار متلب 2013 بهره گرفته شد. در تمام ساختارهای شبکه از یک لایه پنهان متشکل از 30 نرون استفاده شد. تمامی ایستگاه ها با یک لایه پنهان به جواب رسیدند و نیازی به افزایش تعداد لایه های پنهان تشخیص داده نشد. برای آموزش شبکه از الگوریتم مارکوارت– لونبرگ استفاده شد و تمامی شبکه ها با تابع محرک تانژانت هیپربولیک به جواب مطلوب رسیدند. نتایج نشان داد که مدل شبکه عصبی مصنوعی با دقت بالایی قادر به پیش بینی دمای ماهانه است
واژه‌های کلیدی:
فهرست منابع
1. اسفندیاری درآباد، فریبا؛ سید اسعد حسینی ؛ محمد آزادی مبارکی و زهرا حجازی زاده .(1389). پیش بینی میانگین دمای ماهانه ایستگاه سینوپتیک سنندج با استفاده از مدل شبکه عصبی مصنوعی پرسپترون چند لایه، مجله جغرافیا، ش 27 ، صص 65-46.
2. اصغری مقدم، اصغر؛ وحید نورانی و عطااله ندیری .(1387). مدلسازی بارش دشت تبریز با استفاده از شبکه های عصبی مصنوعی، مجله دانش کشاورزی دانشگا ه تبریز، ش 1، صص.15-1
3. افخمی، حمیده؛ محمد تقی دستورانی، حسین ملکی نژاد و محمد حسین مبین .(1388). بررسی تاثیر عناصر اقلیمی بر افزایش دقت روش شبکه عصبی مصنوعی در پیش بینی خشکسالی منطقه یزد، مجله علوم آب و خاک، ش 51، صص 169-157
4. تابش، مسعود و مهدی دینی .(1387). پیش بینی تقاضای روزانه آب شهری با استفاده از شبکه های عصبی مصنوعی، مطالعه موردی شهر تهران، مجله آب و فاضلاب، ش 1، صص 95-84.
5. جهانبخش اصل، سعید و علی اکبر باباپور .(1382). بررسی و پیش بینی متوسط دمای ماهانه تبریز با استفاده از مدل آریما، فصلنامه تحقیقات جغرافیایی دانشگاه اصفهان، ش 3، صص ۳۴-۴۶.
6. حسینی، سید اسعد .(1388). برآورد و تحلیل دماهای حداکثر شهرستان اردبیل با استفاده از مدل تئوری شبکه های عصبی مصنوعی، دانشگاه محقق اردبیلی، گروه جغرافیای طبیعی.
7. حلبیان، امیرحسین .(1388). پیش آگاهی و برآورد بارش یزد با استفاده از شبکه های عصبی مصنوعی، نشریه تحقیقات کاربردی علوم جغرافیایی، ش 14 ، صص28-7.
8. حلبیان، امیرحسین و محمد دارند .(1390). پیش بینی بارش اصفهان با استفاده از شبکه های عصبی مصنوعی، نشریه تحقیقات کاربردی علوم جغرافیایی، ش 26، صص63-47
9. خلیلی، نجمه، سعیدرضا خداشناس ، کامران داوری و محمد موسوی بایگی .(1385). پیش بینی بارش ماهانه با استفاده از شبکه های عصبی مصنوعی مطالعه موردی ایستگاه همدید مشهد، مجله علوم و صنایع کشاورزی ویژه آب و خاک، ش 1، صص98-90.
10. خوشحال دستجردی، جواد و سیدمحمد حسینی .(1389 . کاربرد شبکه عصبی مصنوعی در شبیه سازی عناصر اقلیمی و پیش بینی سیکل خشکسالی؛ مطالعه موردی استان اصفهان، مجله جغرافیا و برنامه ریزی محیطی، ش 3، صص120-107.
11. خوشحال دستجردی، جواد و یوسف قویدل رحیمی .(1387). بررسی رابطه تغییرات بارش سالیانه تبریز با ناهنجاری های دمایی کره زمین و شبیه سازی عددی آن با استفاده از شبکه عصبی مصنوعی، فصلنامه مدرس علوم انسانی، شماره 2، صص 51-29.
12. دستورانی، محمدتقی .(1386). کاربرد مدل های هوش مصنوعی در شبیه سازی و پیش بینی بهنگام جریان های سیلابی، مجله علوم و فنون کشاورزی و منابع طبیعی، سال یازدهم، ش 40، تابستان، صص 36-27.
13. دهقانی، امیراحمد، مهدی پیری، موسی حسام و نوید دهقانی .(1389). تخمین تبخیر روزانه از تشت تبخیر با استفاده از سه شبکه عصبی پرسپترون چندلایه تابع پایه شعاعی و المانی، مجله پژوهش های حفاظت آب و خاک، ش 2، صص 67-49.
14. رحمانی، امیرمسعود و محمد تشنه لب .(1384). پیش بینی دمای روزانه هوا با استفاده از شبکه عصبی، مجله بین المللی علوم مهندسی، ج 16 ، ش 3، دانشگاه علم و صنعت ایران، صص8-1.
15. رحیمی خوب، علی، محمدرضا بهبهانی و محمدهادی نظریفر .(1386). پیش بینی دمای هوای استان خوزستان براساس داده های ماهواره نوا و مدل شبکه عصبی، مجله علوم و فنون کشاورزی و منابع طبیعی، ج 11 ،ش 42 (ب) دانشگاه صنعتی اصفهان، صص ۳۵۷-۳۶۴.
16. سبزی پرور، عل یاکبر و احسان علیایی. (1390). ارزیابی عملکرد شبکه عصبی مصنوعی در پیش بینی تابش خورشیدی کل روزانه و مقایسه آن با نتایج مدل آنگستروم (مطالعه موردی ایستگاه همدیدی تبریز)، مجله ژئوفیزیک ایرن، ش 3، صص 41-30.
17. علیجانی، بهلول و یوسف قویدل رحیمی .(1384). مقایسه و پیش بینی تغییرات دمای سالانه تبریز با ناهنجاری های دمایی کره زمین با استفاده از روش های رگرسیون خطی و شبکه عصبی مصنوعی ، مجله جغرافیا و توسعه،صص 38-21.
18. صلاحی، برومند، سید اسعد حسینی، حسین شایقی و بهروز سبحانی .(1388). پیش بینی دماهای حداکثر با استفاده از مدل شبکه عصبی مصنوعی؛ مطالعه موردی شهرستان اردبیل، مجله تحقیقات جغرافیایی، ش 98، صص 78-57
19. غیور، حسنعلی و حسین عساکره .(1380). کاربرد مدل های فوریه در براورد دمای ماهانه و آینده نگری آن؛ مطالعه موردی دمای مشهد، فصلنامه تحقیقات جغرافیایی، ش 77 ، صص 99-83.
20. فاتحی مرج، احمد و محمدحسین مهدیان .(1388). پیش بینی بارش پاییزه با استفاده از شاخص های انسو به روش شبکه عصبی در حوضه دریاچه ارومیه، مجله پژوهش و سازندگی، ش 84، صص 51-43.
21. فتاحی، ابراهیم، مجید دلاور و کیوان نوحی .(1391). پیش بینی جریان رودخانه های کارون شمالی با استفاده از شبکه عصبی مصنوعی، فصلنامه تحقیقات جغرافیایی، ش 1، صص 78-52
22. فرج زاده، منوچهر و محمد دارند .(1388). مقایسه روش های رگرسیون خطی و شبکه عصبی مصنوعی در پیش بینی میزان مرگ و میر به عنوان تابعی از دمای هوا؛ مطالعه موردی تهران، مجله حکیم، ش 3، صص 53-45.
23. فقیه، همایون .(1387). ارزیابی کاربرد شبکه عصبی مصنوعی و بهینه سازی آن با روش الگوریتم ژنتیک در تخمین داده های بارش ماهانه(مطالعه موردی کردستان)، مجله علوم آب و خاک، ش 51 ، صص 42-27.
24. منهاج، محمد باقر .(1384). مبانی شبکه های عصبی (هوش محاسباتی)، مرکز نشر دانشگاه صنعتی امیر کبیر، ش 3، ص 712 .
25. Kisi O., 2006, Daily Pau evaporation modelling using a Neural – fuzzy computing technique. J. Hidrol, Vol.329, pp.636-646.
26. Kumar M, Raghuwanshi NS, Singh R, Wallender WW, Pruitt WO.,2002, Estimating evapotranspiration using artificial neural network. J Irrig Drain Eng Vol.128, pp.224–233.
27. lakshami S.S,. Tiwari R.K and. Somvanshi V.K., 2003, Prediction of Indian Rainfall Index(IRF) using the ENSO variability and sunspot cycles-An artifivial neural network approach, . Journal of Indian Geophysics ::union::. Vol.7,pp. 173-181.
28. Long Jin, Jianling Lin, Kaiping Lin,2006, Precipitation Prediction Modeling using Neural Network and Empirical Orthogonal Function Base on Numerical Weather Forecast Production, vol.1, pp.2723-2727.Intelligent Control and Automation.
29. Luis A.,et al., 2008, A Hybrid ARIMA and Artificial Neural Networks Model to Forcast particulate matter in urban areas :The case of Temuco Chile. Journal of Atmospheric Environment.No.42,pp.8331-8340.
30. Maeda N., K. Shun'ichi,I. Kaoru IZUMI,K. Shigekazu and A.Michihiro., 2001, Prediction of Precipitation by A neural Network Method, Journal of Natural Disaster Science. Volume 23, No. 1, pp.23-33 .
31. McCulloch WS., Pitts, W., 1943, A logic calculus of the ideas immanent in nervous activity, No.5, pp. 115-133.
32. Mishra A. K. et. al., 2007, Drought forecasting using a hybrid stochastic and neursl network model. J. Hydrol. Eng. ASCE,No. 12, pp.626-638.
33. Mishra A. K., and. Disai V. R., 2005, Drought forecasting using stochactic models.No.49, Pp. 326-339.
34. Morid. S. et. al., 2007, Drought forecasting using artificial neural networks and time seried of drought indices, Climatol,No. 27,pp. 2103-2111.
35. Palani S., Tkalich P., R. Balasubramanian. J. Palanichamy. ANN application for prediction of atmospheric nitrogen deposition to aquatic ecosystems. Marine Pollution Bulletin. 2011, in press.
36. Ramirez,M.,Veloh,H.Ferreira,N., 2005, Artificial neural network technique for rainfall forecasting applied to the Sao Paulo region. Journal of hydrology.No. 301, pp.146-162.
37. Rehman S., Mohandes M., 2008, Artificial neural network estimation of global solar radiation using air temperature and relative humidity,No.36, pp.571-576.
38. Sajikumar N., Thandaveswara B.S., 1999, Non Liner rainfall runoff Model using artificial neural network, Journal of Haydrology.No.216,pp.32-35.
39. Santhosh M.,Kadar SH., 2010, An efficient Weather Forecasting system using Artificial Neural Network,.International Journal of Environmental Science and development.Vol.1. No .4,pp.321- 325.
ارسال پیام به نویسنده مسئول