جستجوی مقالات مرتبط با کلیدواژه « سیگنال های بزرگ مقیاس اقلیمی » در نشریات گروه « اکولوژی »

تکرار جستجوی کلیدواژه «سیگنال های بزرگ مقیاس اقلیمی» در نشریات گروه «کشاورزی»

انتخاب همه

پیش بینی بارش ماهانه بر اساس سیگنال های بزرگ مقیاس اقلیمی با به کارگیری مدل های هوشمند و رگرسیون خطی چندگانه (مطالعه موردی: ایستگاه سینوپتیک سمنان)

مجید محمدی، حجت کرمی، سعید فرزین، علیرضا فرخی

مجله اکو هیدرولوژی، سال چهارم شماره 1 (بهار 1396)، صص 201 -214

سیگنال‏های بزرگ‏مقیاس اقلیمی شامل کنش‏های جوی ‏اقیانوسی، از عوامل اصلی موثر بر نوسانات اقلیمی زمین هستند و شاخص‏های بسیار مهمی در پیش‏بینی متغیرهای اقلیمی محسوب می‏شوند. در این پژوهش، با به‏کارگیری مدل‏های شبکه عصبی مصنوعی، شبکه فازی ‏عصبی و رگرسیون خطی چندگانه، بارش ماه آتی در ایستگاه سینوپتیک سمنان پیش‏بینی شد. بدین منظور، از سری زمانی ماهانه بارش ایستگاه سینوپتیک سمنان و سیگنال‏های بزرگ‏مقیاس اقلیمی طی یک دوره 45 ساله (1966 2010 میلادی) استفاده شد. سیگنال‏های موثر بر بارش ماه آتی با استفاده از تحلیل رگرسیون خطی گام‏به‏گام تعیین شدند و به‏عنوان متغیرهای ورودی در مدل‏های استفاده شده، انتخاب شدند. از 540 سری داده ماهانه، 80 درصد ابتدایی برای آموزش و 20 درصد باقی برای آزمون صحت‏سنجی مدل‏ها استفاده شدند. عملکرد مدل‏ها با معیارهای ارزیابی ضریب همبستگی، میانگین قدر مطلق خطا و ریشه میانگین مربعات خطا مقایسه شد. نتایج صحت‏سنجی نشان داد ضرایب همبستگی به‏دست‏آمده (829/0، 793/0 و 767/0) به ترتیب مربوط به مدل‏های شبکه عصبی مصنوعی، شبکه فازی ‏عصبی و رگرسیون خطی چندگانه اند. بر اساس نتایج این تحقیق، می‏توان برای پیش‏بینی بارش ماه آتی ایستگاه سینوپتیک سمنان، به ترتیب از مدل‏های شبکه عصبی مصنوعی، شبکه فازی ‏عصبی و رگرسیون خطی چندگانه استفاده کرد.

کلید واژگان: بارش ماهانه, سیگنال های بزرگ مقیاس اقلیمی, شبکه عصبی مصنوعی, شبکه فازی, عصبی, رگرسیون خطی چندگانه}

چکیده مشاهده متن زبان: فارسی

Prediction of Monthly Precipitation Based on Large-scale Climate Signals Using Intelligent Models and Multiple Linear Regression (Case Study: Semnan Synoptic Station)

Majid Mohammadi, Hojat Karami, Saeed Farzin, Alireza Farokhi

Iranian Journal of Eco Hydrology, Volume:4 Issue: 1, 2017, PP 201 -214

Large-scale climatic signals including ocean-atmosphere interactions, are the main factors influencing the earths climatic oscillations and are the most important indices in predicting of climate variables. In this research, precipitation in the next month was predicted by applying artificial neural network (ANN), neuro-fuzzy network (NFN), and multiple linear regression (MLR) in Semnan synoptic station. For this purpose, monthly series of precipitation of Semnan synoptic station and signals of large-scale climate signals were used during a period of 45 years (19662010). From 540 monthly time series, the first 80% was used for training and the other 20% for testing. Performance of the models was compared by using correlation coefficient (R), mean absolute error (MAE), and root mean square error (RMSE) criteria. Results of the validation step showed that the obtained correlation coefficients (0.829, 0.793 and 0.767) are related to ANN, ANFIS and MLR models. Based on the results of this study, the next months precipitation of Semnan synoptic station could be predicted by ANN, NFN and MLR models, respectively.

Keywords: Monthly precipitation, Artificial Neural Network (ANN), Neuro, Fuzzy Network (NFN), Multiple Linear Regression (MLR)}

Abstract View Paper Original: Persian

نکته

نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.

به جمع مشترکان مگیران بپیوندید!

جستجوی مقالات مرتبط با کلیدواژه « سیگنال های بزرگ مقیاس اقلیمی » در نشریات گروه « اکولوژی »