Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

---

بارندگی یکی از اجزای اصلی چرخه­ی هیدرولوژی است. این فرآیند پیچیده به عوامل متعدد اقلیمی وابسته است. شبکه های عصبی مصنوعی در چند دهه اخیر و در مطالعات صورت گرفته برای مدل سازی سیستم های پیچیده و غیر خطی قابلیت بسیار بالایی از خود نشان داده است. تحقیق حاضر در سه ایستگاه منتخب از استان خوزستان صورت گرفته است. برای این منظور از داده­های بارندگی ماهانه سه ایستگاه هواشناسی استان به مدت 48سال، (1340-1387)، استفاده شده است. سپس با استفاده از این مقادیر به عنوان خروجی­های هدف، شبکه­های مختلفی با ساختار­های متفاوت تعریف و آموزش داده شد. در نهایت قابلیت شبکه برای تخمین بارش با استفاده از قسمتی از داده­ها که در آموزش شبکه وارد نشدند، مورد بررسی قرار گرفت. در این تحقیق شبکه­های MLP و RBF با تغییراتی در تعداد لایه­های میانی، تعداد نرون­ها و الگوریتم­های آموزش  MOMو LM وCG  به منظور پیش­بینی بارش فصلی به کار گرفته شد. نتایج نشان داد که برای ایستگاه اهواز شبکه RBF با توپولوژی 1-4-6 و یادگیریLM  دارای بیشترین مقدار ضریب همبستگی برابر 96/0 و کمترین MSE برابر 044/0 است. برای ایستگاه آبادان شبکه RBF با توپولوژی 1-7-6-6 و یادگیریLM  دارای بیشترین مقدار ضریب همبستگی برابر 92/0 و کمترین MSE برابر 062/0 است. برای ایستگاه دزفول شبکه MLP با توپولوژی 1-4-3-6 و یادگیریLM  دارای بیشترین مقدار ضریب همبستگی برابر 94/0 و کمترین MSE برابر 034/0 است.  

واژه‌های کلیدی: شبکه­های عصبی مصنوعی، بارش فصلی، منابع آب، استان خوزستان

متن کامل [PDF 394 kb]   (21454 دریافت)    

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:

---

---