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»-
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}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)}
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.