دوره 12، شماره 26 - ( 9-1391 )                   جلد 12 شماره 26 صفحات 63دوره47فصل__Se | برگشت به فهرست نسخه ها

XML Print


1- استادیار اقلیم شناسی، گروه جغرافیا، دانشگاه پیام¬نور، تهران، ایران ، halabian_a@yahoo.com
2- استادیار اقلیم شناسی، دانشگاه کردستان
چکیده:   (5265 مشاهده)
بارش مهمترین سنجه­ی هواشناسی و اقلیمی است. در این پژوهش به منظور پیش­بینی بارش اصفهان از داده های بارش ماهانه­ی ایستگاه همدید اصفهان در بازه­ی آماری (1951-2009) به مدت 59 سال و به دلیل رفتار غیرخطی بارش از شبکه های عصبی مصنوعی جهت پیش­بینی آن بهره گرفته شد. در این ارتباط، 70 درصد داده­ها جهت آموزش شبکه و 30 درصد داده ها برای تست و اعتبار سنجی اختصاص داده شد. نتایج پژوهش بعد از آزمون شبکه با لایه های پنهان و با ضرایب یادگیری مختلف آشکار ساخت که استفاده از شبکه های عصبی مصنوعی با یک پرسپترون با 2 لایه پنهان و ضریب یادگیری 4/0 نسبت به سایر حالت­ها و معماری شبکه، مدل نسبتاً بهتری را ارائه می­کند. به بیانی دیگر، داده­های پیش بینی شده بارش ماهانه توسط شبکه با چنین ساختار و معماری، بیشتر با واقعیت انطباق دارد. آموزش مجدد شبکه و آزمون شبکه با لایه های پنهان و ضرایب مختلف یادگیری در ترکیب با الگوریتم ژنتیک نیز نشان داد که ترکیب شبکه با ویژگی های مذکور با الگوریتم ژنتیک باعث کاهش خطا و افزایش سرعت محاسبات شده و مدل بهتری را ارائه می کند. بطور کلی می توان گفت که شبکه عصبی به خوبی رابطه غیر خطی بین مقادیر ماهانه بارش را با توجه به آموزش شبکه با خصوصیات ذکر شده، پیش بینی می کند. در عین حال، نتایج حاصل از تصادفی کردن داده­ها تفاوتی چندانی با مرتب بودن داده­ها برای آموزش شبکه ندارد.
متن کامل [PDF 430 kb]   (2556 دریافت)    

بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.