، h_negaresh@yahoo.com
چکیده: (17353 مشاهده)
در اثر تغییرات آب و هوایی رخدادهای ناگوار اقلیمیمانند خشکسالی در بسیاری از نقاط کرهی زمین تشدید شده است. در این پژوهش با استفاده از مدل شبکهی عصبی خشکسالیهای شهر خاش در سه بازهی زمانی ماهانه، سه ماهه و دوازده ماهه پیشبینی شد. جهت این امر آمار اقلیمی شامل نمنسبی، دما و بارش ایستگاه هواشناسی شهر خاش و شاخصهای اقلیمیاز سال 1961 تا 2010 مورد استفاده قرار گرفت و شاخص خشکسالی SPI به عنوان خروجی مدلها در نظر گرفته شد. 70 درصد دادهها به عنوان دادههای مرحله آموزش و 30 درصد به عنوان دادههای آزمایش در نظر گرفته شد. شبکههای مورد استفاده از نوع پس انتشار و تابع پایهی شعاعی با الگوریتم پس انتشار خطا و روش یادگیری لونبرگ ـ مارکواردت میباشند. پس از تشکیل مدلهای فراوان با ساختار متفاوت از تعداد ورودی، تعداد لایه و نرون، پیشبینی سه ماهه خشکسالی به عنوان بهترین بازه زمانی جهت پیشبینی خشکسالی شناخته شد و پس از آن پیشبینی دوازده ماهه خشکسالی نتایج مناسبی ارائه داد. مقایسه دو نوع شبکه عصبی نشان داد که شبکه پس انتشار با دو لایه پنهان 15 نرونی و با ورودیهای بیشینه نمنسبی، میانگین نمنسبی با 3 فصل تأخیر، شاخص بارش موسمیجنوب غربی آمریکا با 4 فصل تأخیر، شاخص بارش موسمیجنوب غربی آمریکا با 2 فصل تأخیر، میانگین نمنسبی و کمینهی نمنسبی مناسبترین مدل جهت پیشبینی سه ماهه خشکسالی در شهر خاش میباشد. مقایسه نتایج مدل شبکهی عصبی و مدل رگرسیونی بر دقت و توانایی شبکهی عصبی در پیشبینی خشکسالی شهر خاش صحه گذاشت.
نوع مطالعه:
پژوهشي |
دریافت: 1391/8/15 | انتشار: 1390/10/25