مطالب مرتبط با کلیدواژه

سیگنال های اقلیمی


۱.

پیش بینی بارش بهاره استان خراسان رضوی بر اساس سیگنال های بزرگ مقیاس اقلیمی با استفاده از شبکه های عصبی مصنوعی(مقاله علمی وزارت علوم)

کلیدواژه‌ها: شبکه های عصبی مصنوعی پیش بینی بارش سیگنال های اقلیمی

حوزه های تخصصی:
تعداد بازدید : ۱۲۱۳ تعداد دانلود : ۶۹۸
هدف از پژوهش حاضر، بررسی ارتباط سیگنال های بزرگ مقیاس اقلیمی با بارش استان خراسان رضوی است. در این مطالعه، با استفاده از شبکه های عصبی مصنوعی، پیش بینی بارش در بازه زمانی آوریل تا ژوئن 2007-1970 (فروردین تا خرداد) در استان خراسان رضوی ارائه شده است. برای این منظور ارتباط بین تغییرات سیگنال های اقلیمی شامل فشار سطح دریا، اختلاف فشار سطح دریا، دمای سطح دریا، اختلاف دما بین سطح دریا و سطح 1000 میلی باری، دمای سطح 700 میلی بار، ضخامت بین سطوح 500 و 1000 میلی بار، رطوبت نسبی سطح 300 میلی بار و آب قابل بارش با بارش متوسط منطقه ای مورد بررسی قرار گرفت. در انتخاب این مناطق، تاثیرپذیری بارندگی منطقه شمال شرق ایران از سیگنال های بزرگ مقیاس اقلیمی مورد توجه قرار گرفته است. سپس، مدل شبکه های عصبی مصنوعی در دوره 1997-1970 آموزش داده شده است و در پایان، پیش بینی بارش در دوره 2007-1998 انجام شده است. نتایج نشان می دهد که شبکه های عصبی مصنوعی در تمامی سال ها می تواند بارش را با دقت قابل قبولی پیش بینی کند. ریشه میانگین مربعات خطا برای مدل، 5/2 میلی متر به دست آمد.
۲.

پیش بینی جریان رودخانه های کارون شمالی با استفاده از شبکه عصبی مصنوعی(مقاله علمی وزارت علوم)

کلیدواژه‌ها: پیش بینی شبکه عصبی مصنوعی الگوریتم ژنتیک سیگنال های اقلیمی کارون شمالی

حوزه های تخصصی:
تعداد بازدید : ۱۵۴۵ تعداد دانلود : ۸۰۷
پیش بینی جریان رودخانه ها نقش بسزایی در برنامه ریزی، مدیریت و بهره برداری از منابع آب دارد . هدف اصلی این تحقیق بررسی امکان پیش آگاهی و پیش بینی دبی رودخانه های کارون شمالی (رودخانه ارمند و بازفت) با استفاده از روش های نوین شبیه سازی می باشد . در این مطالعه نوسانات جریان رودخانه های ارمند و بازفت در ارتباط با سیگنالهای بزرگ مقیاس اقلیمی بررسی شده است. بدین منظور از داده های ماهانه شاخص نوسان جنوبی (SOI )، نوسان اطلس شمالی (NAO) و پدیده ENSO در مناطق NINO4،NINO3 ، NINO3.4 و NINO1+2 استفاده گردید. تمامی داده های مربوط به سیگنال های اقلیمی از مرکز داده های آنالیز شده NCEP دریافت شد. داده های مربوط به دبی روزانه ایستگاه های هیدرومتری ارمند و مرغک نیز از مرکز داده های وزارت نیرو تهیه گردید. در این مطالعه به منظور طراحی بهینه معماری شبکه عصبی مصنوعی جهت پیش بینی دبی رودخانه ها براساس سیگنال های اقلیمی از الگوریتم ژنتیک بهره گرفته شد. نتایج تحقیق نشان داد که سیگنال های ENSO در ناحیه NINO1+2 و NINO3 به عنوان موثرترین سیگنال بر تغییرات جریان رودخانه های ارمند و بازفت هستند و برای پیش آگاهی از وضعیت دبی رودخانه های کارون شمالی می توان از سیگنال های فوق استفاده کرد.