|
" پيش‌بينی و ارزيابی کارآيی مدلهای شبکه عصبی مصنوعی MLP و ANFIS دربرآورد بارش سالانه و ماهانه در غرب ايران "
| شماره شناسایی
|
:
|
18864614
|
| شماره مدرک
|
:
|
۵۸۲۵۰
|
| نام عام مواد
|
:
|
[گزارش نهایی -ویژه]
|
| شناسه افزوده
|
:
|
بیدل، رامین
|
|
|
:
|
حصادی، همایون
|
| عنوان اصلي
|
:
|
پيش‌بينی و ارزيابی کارآيی مدلهای شبکه عصبی مصنوعی MLP و ANFIS دربرآورد بارش سالانه و ماهانه در غرب ايران
|
| عنوان اصلي به زبان ديگر
|
:
|
:Forecasting and evaluation of Artificial Neural Networks Models (MLP & ANFIS) for Yearly and Monthly precipitation and temperature estimating in west of Iran
|
| صفحه شمار
|
:
|
۸۷ ص.:مصور، جدول، نمودار، نقشه
|
| وضعیت انتشار
|
:
|
تهران: پژوهشكده حفاظت خاك و آبخيزداری ، ۱۳۹۸
|
| فروست
|
:
|
شماره ثبت ۵۸۲۵۰ مورخ ۱۳۹۹/۰۶/۳۰
|
|
|
:
|
شماره طرح ۹۶۰۷۳۳-۰۲۶-۲۹-۵۵-۲
|
|
|
:
|
شماره نامه: سامانه سمپات
|
|
|
:
|
این طرح: بنیادی است
|
|
|
:
|
۵۸۲۵۰
|
| خلاصه یا چکیده
|
:
|
بارش و دما از متغيرهای اساسی اقليمی و موثر در کليه زمينه ها بويژه در کشاورزی و مديريت منابع آب محسوب می گردد. تغييرات کمی آنها در هر مقياس زمانی و خارج از محدوده طبيعی و مورد انتظار، می تواند دو زمينه کلی اشاره شده را از نظر برنامه ريزی های مرتبط با تخصيص منابع آب، تحت تاثير خود قرار دهد. در اين پژوهش، کارآيي روشهای شبکه عصبی مصنوعی پرسپترون چندلايه (MLP) با الگوريتم آموزشی لونبرگ – مارکوارت و سيستم استنتاج عصبی- فازی تطبيقی (ANFIS) با تابع عضويت گوسی در امکان مدلسازی و آينده نگری بارش و دمای سالانه و ماهانه در غرب ايران و در محدوده جغرافيايي استانهای کرمانشاه، ايلام، لرستان، کردستان و همدان و تحت سناريوهای مختلف مورد مطالعه قرار گرفته است. به اين منظور، از داده های بارش و دمای 16 ايستگاه همديد هواشناسی با دوره آماری حداقل سی سال استفاده گرديد. پس از ايجاد پايگاه داده ای متناسب با اهداف پروژه، داده های آماری ايستگاهها از نظر کيفيت و صحت، وجود داده های پرت، مورد بررسی قرار گرفت. يافته های مبتنی بر شاخص های آماری ارجحيت همچون MSE وMAE و NS (ناش- ساتکليف) و مقايسه خروجی های پيش بينی شده 5 سال آينده با ميانگين تغييرات داده ها، نشان داد که روش پرسپترون چندلايه با سناريوهای مختلف تعداد نرونهای لايه ورودی، تعداد لايه پنهان و نرونهای مربوطه نسبت به مُدل انفيس با سناريوهای مختص خود متشکل از تعداد نرونهای لايه ورودی و تعداد خوشه ها يا توابع عضويت، تطايق بيشتری با داده ها و در ارائه مدلهای برآوردی دارد. بيش از 95% متغيرهای چهارگانه کليه ايستگاهها، با دامنه متفاوتی از معيارهای گفته شده (9884 /0 – 2645 /0 NS=) و به رغم تفاوتهای ماهيتی متغيرهای بارش و دما و نيز از لحاظ مقياس زمانی مورد مطالعه، امکان مدلسازی آن فراهم گرديد. اين در حاليست که در روش انفيس، حدودا" 63% متغيرها و با دامنه شاخص آماری (9841 /0 – 3261 /0 NS=) ، توانست به مدلسازی پاسخ مثبت دهد. ضمن آنکه نتايج هر دو روش نشان دادکه مقدار شاخص ارجحيت مربوط به پارامترهای دما بيش از پارامترهای بارش و شاخص بارش سالانه بهتر از ماهانه و مربوط به دمای ماهانه مطلوبتر از دمای سالانه می باشد. نکته مهم در ارزيابی نتايج هر روش اينست که استناد صرف به مقادير شاخص آماری ارجحيت بخصوص در مورد داده های با نوسانهای فصلی و بدون درنظر گرفتن تطابق داده های پيش بينی شده و مقايسه آنها با تغييرات عمومی سری زمانی، می تواند نتيجه گيری ها و پيشنهاد مدل مناسب را با خطای فاحشی روبرو سازد.واژه هاي كليدي : انفيس، پرسپترون چندلايه، تحليل بارش، شبيه سازی، هوش مصنوعی.
|
|
|
:
|
Precipitation and temperature are among the basic climate variables affecting all areas, especially in agriculture and water resources management. Quantitative changes of these variables at any time scale and outside the estimated normal range can affect the two mentioned general areas in terms of water resource allocation planning.In this study, the effectiveness of Multilayer Perceptron Artificial Neural Network (MLP-ANN) with Levenberg-Marquardt training algorithm and Adaptive Neuro-Fuzzy Inference System (ANFIS) with Gaussian membership function were used in modeling and forecasting of annual and monthly precipitation and temperature in western Iran and in the geographical range of Kermanshah, Ilam, Lorestan, Kurdistan, and Hamadan provinces under different scenarios was studied. For this purpose,The precipitation and temperature data of 16 synoptic meteorological stations with statistical period of at least thirty years were used. After creating a database tailored to the project goals, the quality and accuracy of the statistical data of the stations, and the existence of outliers were evaluated. Findings were obtained based on statistical preference indices such as MSE, MAE, and NS (Nash-Sutcliffe); and the projected outputs of the next 5 years were compared with the mean change of the data. The results indicated that Multilayer perceptron with different scenarios of the number of input layer neurons, hidden layer neurons, and the related neurons compared to ANFIS with its own scenarios consisting of the number of input layer neurons and clusters or membership functions, in spite of the inherent differences in precipitation and temperature variables and in terms of the studied time scale, is more capable of adapting to the data and providing estimation models; That is, more than 95% of the quadratic variables of all stations were modeled using a different range of criteria (NS = 0.2626 - 0.9884). However, in ANFIS method, about 63% of variables with statistical index range (NS = 0.3241 - 0.9841) were able to give a positive response to the modeling. In addition, the results of both methods showed that the preference index value for temperature parameters was more than the precipitation parameters and annual precipitation index was better than monthly precipitation index and the preference index value for monthly temperature was better than the annual temperature. The important point in evaluating the results of each method is that a mere cite to the values of the preference statistical index, especially for data with seasonal fluctuations, without considering the predicted data and comparing them with the general time series variations, may lead to serious errors in conclusions and disruption of a proper model presentation. Keywords: Anfis, Artificial intelligence, Multilayer perceptron, Precipitation analysis, Simulation.
|
| |