کاربرد مدل تلفیقی تبدیل موجک و شبکه عصبی مصنوعی در پایش خشک سالی هواشناسی (مطالعه موردی: حوضه آبریز کوهرنگ)
خشکسالی یکی از بلایای طبیعی است که سالانه خسارات فراوانی را برای جوامع مختلف به دنبال دارد. ارزیابی و پیشبینی خشکسالیها میتواند اطلاعات با ارزشی جهت تدوین برنامههای مقابله با خشکسالی و کاهش خسارات مربوط به آن در اختیار مدیران و برنامهریزان منابع آب بگذارد. در تحقیق حاضر، خشکسالیهای هواشناسی...
| Main Authors: | , , , |
|---|---|
| Format: | Article |
| Language: | fas |
| Published: |
Shahid Chamran University of Ahvaz
2021-09-01
|
| Series: | علوم و مهندسی آبیاری |
| Subjects: | |
| Online Access: | https://jise.scu.ac.ir/article_15628_e6ebe1389e4215942834e162392e6815.pdf |
| _version_ | 1798021231004352512 |
|---|---|
| author | مرضیه بهرامی سامانی رسول میرعباسی نجف آبادی احمدرضا قاسمی دستگردی سجاد عبداللهی |
| author_facet | مرضیه بهرامی سامانی رسول میرعباسی نجف آبادی احمدرضا قاسمی دستگردی سجاد عبداللهی |
| author_sort | مرضیه بهرامی سامانی |
| collection | DOAJ |
| description | خشکسالی یکی از بلایای طبیعی است که سالانه خسارات فراوانی را برای جوامع مختلف به دنبال دارد. ارزیابی و پیشبینی خشکسالیها میتواند اطلاعات با ارزشی جهت تدوین برنامههای مقابله با خشکسالی و کاهش خسارات مربوط به آن در اختیار مدیران و برنامهریزان منابع آب بگذارد. در تحقیق حاضر، خشکسالیهای هواشناسی ایستگاه کوهرنگ در استان چهارمحال و بختیاری با استفاده از شاخص خشکسالی احیایی (RDI) در دوره آماری 2016-1987 مورد بررسی و تحلیل قرار گرفت. سپس با استفاده از مدل شبکه عصبی مصنوعی (ANN) و مدل تلفیقی موجک با شبکه عصبی مصنوعی (WANN) دادههای ماهانه بارش و تبخیرتعرق پتانسیل برای سال 2016 پیشبینی شد. نتایج نشان داد که هرچند مدل ANN در پیشبینی دادههای تبخیرتعرق پتانسیل از دقت قابل قبولی برخوردار بود، اما دقت آن در پیشبینی دادههای بارش مناسب نبوده است. در حالیکه مدل WANN از دقت خوبی در پیشبینی دادههای بارش ماهانه و تبخیرتعرق پتانسیل برخوردار بود، بهطوریکه میزان مرحله تست، در پیشبینی دادههای ماهانه بارش معادل 69/0 و برای دادههای ماهانه تبخیرتعرق پتانسیل معادل 99/0 بود که نتایج مطلوبتری نسبت به مدل شبکه عصبی داشت (میزان مدل شبکه عصبی مصنوعی برای بارش 52/0 بود). بنابراین، از مدل WANN برای پیشبینی دادههای بارش و تبخیرتعرق پتانسیل استفاده شد. در مرحله بعد با استفاده از دادههای پیشبینیشده، مقادیر شاخص RDI محاسبه و با مقادیر متناظر این شاخص که با دادههای مشاهداتی محاسبه شده بودند، مقایسه گردید. نتایج نشان داد که مدل WANN عملکرد خوبی در پیشبینی خشکسالی کوهرنگ داشته است. |
| first_indexed | 2024-04-11T17:10:28Z |
| format | Article |
| id | doaj.art-746d7ec76c1847d0b7adf79e70dc62d4 |
| institution | Directory Open Access Journal |
| issn | 2588-5952 2588-5960 |
| language | fas |
| last_indexed | 2024-04-11T17:10:28Z |
| publishDate | 2021-09-01 |
| publisher | Shahid Chamran University of Ahvaz |
| record_format | Article |
| series | علوم و مهندسی آبیاری |
| spelling | doaj.art-746d7ec76c1847d0b7adf79e70dc62d42022-12-22T04:12:56ZfasShahid Chamran University of Ahvazعلوم و مهندسی آبیاری2588-59522588-59602021-09-01443617410.22055/jise.2020.31370.188415628کاربرد مدل تلفیقی تبدیل موجک و شبکه عصبی مصنوعی در پایش خشک سالی هواشناسی (مطالعه موردی: حوضه آبریز کوهرنگ)مرضیه بهرامی سامانی0رسول میرعباسی نجف آبادی1احمدرضا قاسمی دستگردی2سجاد عبداللهی3دانش آموخته کارشناسی ارشد مهندسی منابع آب، دانشگاه شهرکرد.دانشیار گروه مهندسی آب، دانشگاه شهرکرداستادیارگروه مهندسی آب، دانشگاه شهرکرد.دکترای مهندسی منابع آب، دانشگاه شهید چمران اهواز.خشکسالی یکی از بلایای طبیعی است که سالانه خسارات فراوانی را برای جوامع مختلف به دنبال دارد. ارزیابی و پیشبینی خشکسالیها میتواند اطلاعات با ارزشی جهت تدوین برنامههای مقابله با خشکسالی و کاهش خسارات مربوط به آن در اختیار مدیران و برنامهریزان منابع آب بگذارد. در تحقیق حاضر، خشکسالیهای هواشناسی ایستگاه کوهرنگ در استان چهارمحال و بختیاری با استفاده از شاخص خشکسالی احیایی (RDI) در دوره آماری 2016-1987 مورد بررسی و تحلیل قرار گرفت. سپس با استفاده از مدل شبکه عصبی مصنوعی (ANN) و مدل تلفیقی موجک با شبکه عصبی مصنوعی (WANN) دادههای ماهانه بارش و تبخیرتعرق پتانسیل برای سال 2016 پیشبینی شد. نتایج نشان داد که هرچند مدل ANN در پیشبینی دادههای تبخیرتعرق پتانسیل از دقت قابل قبولی برخوردار بود، اما دقت آن در پیشبینی دادههای بارش مناسب نبوده است. در حالیکه مدل WANN از دقت خوبی در پیشبینی دادههای بارش ماهانه و تبخیرتعرق پتانسیل برخوردار بود، بهطوریکه میزان مرحله تست، در پیشبینی دادههای ماهانه بارش معادل 69/0 و برای دادههای ماهانه تبخیرتعرق پتانسیل معادل 99/0 بود که نتایج مطلوبتری نسبت به مدل شبکه عصبی داشت (میزان مدل شبکه عصبی مصنوعی برای بارش 52/0 بود). بنابراین، از مدل WANN برای پیشبینی دادههای بارش و تبخیرتعرق پتانسیل استفاده شد. در مرحله بعد با استفاده از دادههای پیشبینیشده، مقادیر شاخص RDI محاسبه و با مقادیر متناظر این شاخص که با دادههای مشاهداتی محاسبه شده بودند، مقایسه گردید. نتایج نشان داد که مدل WANN عملکرد خوبی در پیشبینی خشکسالی کوهرنگ داشته است.https://jise.scu.ac.ir/article_15628_e6ebe1389e4215942834e162392e6815.pdfخشک سالیتبخیر‌تعرقبارشمدل wannمدل annشاخص rdi |
| spellingShingle | مرضیه بهرامی سامانی رسول میرعباسی نجف آبادی احمدرضا قاسمی دستگردی سجاد عبداللهی کاربرد مدل تلفیقی تبدیل موجک و شبکه عصبی مصنوعی در پایش خشک سالی هواشناسی (مطالعه موردی: حوضه آبریز کوهرنگ) علوم و مهندسی آبیاری خشک سالی تبخیرتعرق بارش مدل wann مدل ann شاخص rdi |
| title | کاربرد مدل تلفیقی تبدیل موجک و شبکه عصبی مصنوعی در پایش خشک سالی هواشناسی (مطالعه موردی: حوضه آبریز کوهرنگ) |
| title_full | کاربرد مدل تلفیقی تبدیل موجک و شبکه عصبی مصنوعی در پایش خشک سالی هواشناسی (مطالعه موردی: حوضه آبریز کوهرنگ) |
| title_fullStr | کاربرد مدل تلفیقی تبدیل موجک و شبکه عصبی مصنوعی در پایش خشک سالی هواشناسی (مطالعه موردی: حوضه آبریز کوهرنگ) |
| title_full_unstemmed | کاربرد مدل تلفیقی تبدیل موجک و شبکه عصبی مصنوعی در پایش خشک سالی هواشناسی (مطالعه موردی: حوضه آبریز کوهرنگ) |
| title_short | کاربرد مدل تلفیقی تبدیل موجک و شبکه عصبی مصنوعی در پایش خشک سالی هواشناسی (مطالعه موردی: حوضه آبریز کوهرنگ) |
| title_sort | کاربرد مدل تلفیقی تبدیل موجک و شبکه عصبی مصنوعی در پایش خشک سالی هواشناسی مطالعه موردی حوضه آبریز کوهرنگ |
| topic | خشک سالی تبخیرتعرق بارش مدل wann مدل ann شاخص rdi |
| url | https://jise.scu.ac.ir/article_15628_e6ebe1389e4215942834e162392e6815.pdf |
| work_keys_str_mv | AT mrḍyhbhrạmysạmạny ḵạrbrdmdltlfyqytbdylmwjḵwsẖbḵhʿṣbymṣnwʿydrpạysẖkẖsẖḵsạlyhwạsẖnạsymṭạlʿhmwrdyḥwḍhậbryzḵwhrng AT rswlmyrʿbạsynjfậbạdy ḵạrbrdmdltlfyqytbdylmwjḵwsẖbḵhʿṣbymṣnwʿydrpạysẖkẖsẖḵsạlyhwạsẖnạsymṭạlʿhmwrdyḥwḍhậbryzḵwhrng AT ạḥmdrḍạqạsmydstgrdy ḵạrbrdmdltlfyqytbdylmwjḵwsẖbḵhʿṣbymṣnwʿydrpạysẖkẖsẖḵsạlyhwạsẖnạsymṭạlʿhmwrdyḥwḍhậbryzḵwhrng AT sjạdʿbdạllhy ḵạrbrdmdltlfyqytbdylmwjḵwsẖbḵhʿṣbymṣnwʿydrpạysẖkẖsẖḵsạlyhwạsẖnạsymṭạlʿhmwrdyḥwḍhậbryzḵwhrng |