سمیه حجابی

سمیه حجابی

مطالب

فیلتر های جستجو: فیلتری انتخاب نشده است.
نمایش ۱ تا ۱ مورد از کل ۱ مورد.
۱.

مقایسه مهارت مدل های استوکاستیک و شبکه ها ی عصبی مصنوعی در مدل سازی و پیش بینی مقادیر و طبقات شاخص بارندگی استاندارد شده(مقاله علمی وزارت علوم)

کلید واژه ها: پیش بینی خشکسالی شاخص بارندگی استاندارد شده اقلیم های خشک و مرطوب مدل های استوکاستیک مدل های شبکه عصبی مصنوعی

حوزه های تخصصی:
  1. حوزه‌های تخصصی جغرافیا جغرافیای طبیعی آب و هواشناسی
  2. حوزه‌های تخصصی جغرافیا فنون جغرافیایی روش های کمی در جغرافیا
تعداد بازدید : 281 تعداد دانلود : 43
هدف از پژوهش پیش رو، مقایسه کارایی مدل های استوکاستیک و شبکه های عصبی مصنوعی در پیش بینی کمّی شاخص بارندگی استاندارد شده (SPI) در اقلیم های خشک و مرطوب ایران است. برای این امر، محاسبه SPI، در مقیاس های زمانی سه ماهه، شش ماهه و دوازده ماهه در چهار ایستگاه سینوپتیک کشور طی دوره 2007-1973 انجام شد. در گام بعد، مدل سازی سری های زمانی SPI برای پیش بینی های یک تا دوازده گام به جلو، به سه روش مدل سازی استوکاستیک، شبکه عصبی بازگشتی (RMSNN) و شبکه عصبی مستقیم (DMSNN) انجام گرفت. مقادیر SPI مربوط به دوره 1973 تا 2000، برای توسعه مدل ها و مابقی برای صحت سنجی مدل ها مورد استفاده قرار گرفت. در مرحله صحت سنجی، مقایسه مقادیر مشاهده شده و پیش بینی شده SPI با استفاده از آزمون های آماری، ضریب همبستگی و شاخص خطا انجام شد. همچنین برای بررسی قابلیت مدل ها در پیش بینی طبقات SPI، از آماره کاپای کوهن استفاده شد. در نهایت، اولویت دقت مدل ها از دیدگاه هایی چون، افق زمانی پیش بینی و مقیاس زمانی بررسی خشکسالی تعیین شد. نتایج به دست آمده نشان داد: 1) در مقیاس زمانی سه، شش و دوازده ماهه، به طور کلی مدل های استوکاستیک (به ترتیب با میانگین خطای 678/0، 569/0 و 344/0 و میانگین ضریب همبستگی 682/0، 777/0 و 919/0) از نظر مهارت پیش بینی مقادیر SPI در اولویت کاربرد قرار دارند. 2) در مقیاس زمانی سه، شش و دوازده ماهه به ترتیب، مدل های DMSNN ، RMSNN و استوکاستیک (با میانگین کاپای 397/0، 530/0 و 750/0) از نظر مهارت پیش بینی طبقات SPI در اولویت کاربرد قرار دارند.

کلیدواژه‌های مرتبط

پدیدآورندگان همکار

تبلیغات

پالایش نتایج جستجو

تعداد نتایج در یک صفحه:

درجه علمی

مجله

سال

حوزه تخصصی

زبان