fa پیش آگاهی بلندمدت بارش با استفاده از سیستم شبکه ی عصبی مطالعه ی موردی: حوضه ی کارون بزرگ اب و هواشناسی climatology پژوهشي Research <div style="text-align: justify;">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،&nbsp; 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.</div> <span id="result_box" lang="en"><span title="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.">Rainfall prediction plays an important role in flood management and flood alert. With rainfall information, it is possible to predict the occurrence of floods in a given area and take the necessary measures. </span><span title="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.">Due to the fact that the three months of January, February and March are most floods and most precipitation is occurring this quarter, this study aimed to investigate the factors affecting precipitation and modeling of this quarter. </span><span title="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">For precipitation modeling, the monthly rainfall data of the Hamadid and Baranzadeh station in the statistical period (1984-2014) for 30 years as a dependent variable and climatic indexes, large-scale climatic signals including sea surface temperatures and 1000 millimeter temperatures </span><span title="ارتفاع تراز 500 میلی باری ، امگای 200 میلی باری و عناصر اقلیمی بعنوان متغیر مستقل استفاده شده است.">Altitude of 500 milligrams, 200 milligrams of omega and climatic elements have been used as independent variables. </span><span title="به دلیل رفتار غیرخطی بارش از شبکه های عصبی مصنوعی جهت مدل سازی بهره گرفته شد.">Due to the nonlinear behavior of rainfall, artificial neural networks were used for modeling. </span><span title="جهت مشخص شدن بهترین معماری برای ورود به شبکه ی عصبی از تحلیل عاملی استفاده شد.">Factor analysis was used to determine the best architecture for entering the neural network. </span><span title="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">For prediction of precipitation, the data that showed the most relationship with precipitation was used in four patterns, in January the fourth pattern with entropy error was 045/0, the number of input layers was 91, the best makeup was 15-1, and the correlation coefficient was 94% </span><span title="بود.">Was. </span><span title="در ماه فوریه، الگوی سوم با ضریب همبستگی 97 درصد، خطای آنتروپی 036/.">In February, the third pattern with a correlation coefficient of 97%, entropy error, was 0.36. </span><span title="درصد ، تعداد واحدهای ورودی 8 واحد و بهترین نوع آرایش لایه ی پنهان 10-1 بود.">Percentage, number of input units was 8 units, and the best type of latency layout was 10-1. </span><span title="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.">The precipitation of March with all patterns was high predictive coefficient. The first pattern with entropy error was 0.038, the number of input units was 67, the hidden layer arrangement was 17-1, the correlation coefficient was 98%.</span></span> <div id="gt-form-c"> <form action="/" enctype="application/x-www-form-urlencoded" id="gt-form" method="post" name="text_form"> <div id="gt-text-all"> <div id="gt-main"> <div id="gt-text-c"> <div id="gt-ft"> <div id="gt-ft-mkt"> <div class="gt-ft-promos"><span class="gt-ft-text">&rlm;‫مترجم Google‬ برای کسب و کار:</span><a href="http://www.google.com/url?rs=rsmf&q=http://translate.google.com/toolkit%3Fhl%3Dfa">کیت ابزار مترجم</a><a href="http://www.google.com/url?rs=rsmf&q=http://translate.google.com/manager/website/%3Fhl%3Dfa">مترجم وب سایت</a></div> </div> </div> </div> </div> </div> </form> </div> تحلیل عاملی , سیستم‌های سینوپتیک, شاخصهای اقلیمی, عناصر اقلیمی, شبکه عصبی پرسپترون Factor analysis, synoptic systems, climatic indices, climatic elements, perceptron neural network 81 97 http://jgs.khu.ac.ir/browse.php?a_code=A-10-2246-2&slc_lang=fa&sid=1 iran salehvand ایران صالحوند hsabzvare@gmail.com 100319475328460017226 100319475328460017226 No Department of Geography, Najaf Abad Unit, Islamic Azad University, Najafabad, Iran گروه جغرافیا،واحد نجف اباد، دانشگاه ازاد اسلامی ، نجف اباد،ایران amir gandomkar امیر گندم کار agandomkar2007@yahoo.com 100319475328460017227 100319475328460017227 Yes Department of Geography, Najaf Abad Unit, Islamic Azad University, Najafabad, Iran گروه جغرافیا،واحد نجف اباد، دانشگاه ازاد اسلامی، نجف اباد،ایران ebrahim fatahi ابراهیم فتاحی ebfat2002@yahoo.com 100319475328460017228 100319475328460017228 No Meteorological Institute faculty member, Tehran, Iran عضو هیات علمی پژوهشکده هواشناسی ایران،تهران،ایران