شبکه عصبی پرسپترون

اهداف: هدف این پژوهش، پیش بینی بارش روزانه با استفاده از آمار روزانه هواشناسی ایستگاه های کرمان، بافت و میانده جیرفت، طی دوره مشترک آماری 23 ساله (2012-1989) می باشد. روش: برای دست یافتن به هدف تحقیق، به آموزش شبکه های عصبی مصنوعی با ساختار پرسپترون چند لایه و شبکة عصبی تابع پایة شعاعی پرداخته شد. ترکیب های مختلف پارامترهای کمینه دما، بیشینه دما، میانگین دما، رطوبت نسبی، سرعت و جهت باد و نیز میانگین فشار، به عنوان ورودی های شبکه های عصبی مصنوعی و بارش روزانه به عنوان خروجی شبکه درنظر گرفته شدند. یافته ها/ نتایج: نتایج نشان داد شبکه های عصبی مصنوعی پایه تابع شعاعی از دقت بسیار بیشتر و خطای کمتری نسبت به شبکة عصبی پرسپترون، برای تخمین بارش روزانه در هر سه ایستگاه برخوردار هستند. نتیجه گیری: در بهترین ترکیب با پارامتر های کمینه و بیشینه و حداقل دما و رطوبت نسبی، سرعت و جهت باد و نیز میانگین فشار در ایستگاه کرمان با ضریب همبستگی 907/0 و جذر میانگین مربعات خطای 014/0، بهترین مدل پیش بینی بارش در این تحقیق شناخته شدند.

به طور کلی نبود توسعه متوازن در بخش کشاورزی گریبان گیر بسیاری از کشورهای در حال توسعه از جمله ایران می باشد. از همین رو، بررسی زمینه های عدم توازن و نابرابری توسعه این بخش اجتناب ناپذیر است. با مطالعه نقاط ضعف و قوت تک تک استان ها می توان برنامه ریزی متناسب را انجام داد. هدف پژوهش حاضر، شناسایی میزان توسعه یافتگی کشاورزی استان های کشور ایران بود. سؤال پژوهش این بود که سطح توسعه کشاورزی به تفکیک استان های کشور ایران به چه میزان است؟ پژوهش حاضر به لحاظ ماهیت کاربردی و از منظر روش شناسی در زمره پژوهش های توصیفی- تحلیل قرار می گیرد. شیوه جمع آوری اطلاعات اسنادی و کتابخانه ای و ابزارهای استاندارد شده در قالب فرم ها و جداول رسمی نتایج سرشماری کشاورزی 1393 بود. جامعه آماری پژوهش نیز کل استان های کشور ایران برابر با 31 استان بود. در ادامه 73 زیرشاخص در قالب 5 شاخص اصلی توسعه کشاورزی از نتایج سرشماری استخراج و پس از وزن دهی شاخص ها، با روش شبکه عصبی مصنوعی توسعه کشاورزی استان ها مورد بررسی قرار گرفت. محاسبات پژوهش با استفاده از نرم افزارهای Excel وMATLABانجام شد.یافته های سنجش سطح توسعه کشاورزی استان ها نشان داد، استان های اصفهان، تهران، مازندران به ترتیب رتبه های اول، دوم و سوم و استان های خراسان جنوبی، سیستان و بلوچستان و بوشهر رتبه های 29، 30 و 31 را به دست آوردند. گفتنی است که شاخص بهره برداری کشاورزی در دو خوشه ی 2 و 3 و شاخص خدمات زیربنایی و سایر خدمات کشاورزی در خوشه 1 بیشترین اهمیت را به خود اختصاص دادند. با توجه به نتایج، نابرابری نسبی توسعه کشاورزی در بین استان های مورد مطالعه وجود داشت.

دراین پژوهش با هدف ارزیابی و درجه بندی توسعه کشاورزی شهرستان های استان فارس و با استفاده از آمار کشاورزی سالنامه آماری سال 1393 استان، فهرستی از 98 شاخص توسعه کشاورزی در قالب پنج گروه عمده (بهره برداری کشاورزی، عملکرد، مکانیزاسیون کشاورزی، دامپروری و خدمات زیربنایی و سایر خدمات کشاورزی) استخراج و پس از وزن دهی شاخص ها، با روش شبکه عصبی مصنوعی توسعه کشاورزی شهرستان ها مورد بررسی قرار گرفت. محاسبات پژوهش با استفاده از نرم افزارهای Excel و MATLABR2015a انجام شد. نتایج حاصل از سنجش سطح توسعه کشاورزی شهرستان-ها نشان داد که، شهرستان شیراز (518/1) و مرودشت (473/1) رتبه اول و دوم را به خود اختصاص داده اند که حاکی از آن است که خرد نشدن مزارع و باغ ها، تاثیر شگرفی بر بالا بودن سرانه ی سطح زیرکشت زراعی و باغی به ازای هر بهره بردار داشته است. این موض وع از یک طرف باعث توسعه ی بهتر سامانه های آبیاری تحت فشار شده است (با توجه به بالا بودن جایگاه آبیاری تحت فشار در این شهرستان ها) و از طرف دیگر زمینه ی اس تفاده از ف ن آوری ه ای دیگر را نیز فراهم می کند. شهرستان زرین دشت (590/0) و لامرد (495/0) رتبه 28 و 29 را بدست آوردند. مساحت کم زمین کشاورزی و قطعه قطعه شدن اراضی در شهرستان های زرین دشت و لامرد از علل کاهش عملکرد تولید و سرمایه گذاری در بخش کشاورزی است. همچنین، در خصوص خوشه 1 شاخص خدمات زیربنایی و سایر خدمات کشاورزی با وزن 2027/0 و در خوشه 2 شاخص عملکرد با وزن 2016/0 بالاترین اهمیت را به خود اختصاص داده اند. جا دارد که دولت در راستای سیاست های عدالت محوری خود و رفع محرومیت زدایی به مناطق کمتر توسعه یافته رسیدگی بیشتری داشته باشد و با کشف استعدادهای ذاتی و نهفته هر منطقه به گسترش تخصص گرایی در تولید فراورده های مختلف کشاورزی اعم از زراعی، دامی و غیره بپردازد.

پیش بینی بارش در مدیریت و هشدار سیل نقش مهمی بر عهده دارد و با اطلاع از میزان بارندگی می توان امکان وقوع سیل را در یک منطقه پیش بینی و اقدامات لازم را به عمل آورد. به دلیل اینکه بارشهای سه ماه ژانویه، فوریه و مارس در اکثر مواقع سیل آسا می باشند و همچنین بیشتر بارشها در این سه ماه رخ می دهند، لذا در این پژوهش به بررسی عوامل موثر بر بارش و مدل سازی این سه ماه پرداخته شد. برای مدل سازی بارش از داده های بارش ماهانه ی ایستگاه همدید و بارانسنجی در بازه ی آماری (2014-1984) به مدت 30 سال بعنوان متغیر وابسته و شاخصهای اقلیمی، سیگنالهای بزرگ مقیاس اقلیمی شامل؛ دمای سطح دریا و دمای 1000 میلی باری، هم ارتفاع تراز 500 میلی باری ، امگای 200 میلی باری و عناصر اقلیمی بعنوان متغیر مستقل استفاده شده است. به دلیل رفتار غیرخطی بارش از شبکه های عصبی مصنوعی جهت مدل سازی بهره گرفته شد. جهت مشخص شدن بهترین معماری برای ورود به شبکه ی عصبی از تحلیل عاملی استفاده شد. برای پیش بینی بارش از داده هایی که بیشترین ارتباط را با بارش نشان دادند بصورت چهار الگو استفاده گردید که در ماه ژانویه الگوی چهارم با خطای آنتروپی 045/0، تعداد لایه های ورودی 91 واحد ، بهترین آرایش 15-1 و ضریب همبستگی 94 درصد بود. در ماه فوریه، الگوی سوم با ضریب همبستگی 97 درصد، خطای آنتروپی 036/. درصد ، تعداد واحدهای ورودی 8 واحد و بهترین نوع آرایش لایه ی پنهان 10-1 بود. بارش ماه مارس با تمام الگوها ضریب پیش آگاهی بالا بود که الگوی اول با خطای آنتروپی 038/.، تعداد واحدهای ورودی 67، نوع آرایش لایه ی پنهان، 17-1، ضریب همبستگی 98 درصد بود.