دوره 8، شماره 3 - ( 9-1400 )
جلد 8 شماره 3 صفحات 156-139 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Sharifipour L, ghanei-Bafghi M, kousari M R, Sharifipour S. Comparison of the effectiveness of four artificial intelligence methods in predicting drought. Journal of Spatial Analysis Environmental Hazards 2021; 8 (3) :139-156
URL: http://jsaeh.khu.ac.ir/article-1-3106-fa.html
URL: http://jsaeh.khu.ac.ir/article-1-3106-fa.html
شریفی‌پور لاله، قانعی بافقی محمد جواد، کوثری محمد رضا، شریفی‌پور ساسان. مقایسه کارآمدی چهار روش هوش مصنوعی در پیش بینی خشک سالی. تحلیل فضایی مخاطرات محیطی. 1400; 8 (3) :139-156
1- دانشگاه اردکان
2- دانشگاه اردکان ، mjghaneib@ardakan.ac.ir
3- پژوهشکده حفاظت خاک و آبخیزداری
4- دانشگاه صتعتی مالک اشتر
2- دانشگاه اردکان ، mjghaneib@ardakan.ac.ir
3- پژوهشکده حفاظت خاک و آبخیزداری
4- دانشگاه صتعتی مالک اشتر
چکیده: (3641 مشاهده)
خشکسالی یک اختلال موقتی است که خصوصیات آن از منطقهای با منطقه دیگر متفاوت است، از این رو نمیتوان تعریف جامع و مطلق برای خشکسالی بیان نمود.در تحقیق حاضر، به منظور معرفی یک روش مناسب جهت پیشبینی خشکسالی برای یک ماه آتی، چهار روش هوش مصنوعی شامل یادگیری عمیق (Deeplearning) (از شبکه الکسنت که یکی از شبکههای کانولوشن میباشد استفاده شده است)، الگوریتم K نزدیکترین همسایه (KNN)، ماشین برداد پشتیبان چند طبقه (SVM-MultiClass) و درخت تصمیم (Decision Tree) در نظر گرفته شد. دادههای بارندگی 11 ایستگاه سینوتیک استان یزد طی دوره آماری 29 ساله (1988 تا 2017) به صورت ماهانه به عنوان دادههای آزمایشی مورد استفاده قرار گرفتند. شاخص بارش استاندارد شده (SPI) برای نشان دادن وضعیت خشکسالی از نظر شدت و مدت در مقیاسهای زمانی 1، 3، 6، 9، 12 و 24 ماهه محاسبه گردید. در ابتدا دادههای بارش به عنوان ورودی شبکههای عصبی و کلاسبندی SPI به عنوان خروجی شبکهها قرار داده شد. 80 درصد دادهها برای آموزش و20 درصد دادهها برای تست شبکهها به کار گرفته شد. نتایج نشان داد که تمامی شبکهها توانایی پیشبینی خشکسالی را داشتهاند، بر اساس معیار ارزیابی macro-f1 شبکه Deeplearning در مقیاس زمانی 1 ماهه با 71/22 درصد، ناکارآمدترین روش و Decision Tree با 65/64 درصد، کارآمدترین روش بودهاند، اما با افزایش مقیاس زمانی، شبکه Deeplearning عملکرد خود را بهبود بخشید، بهطوریکه در مقیاس زمانی 24 ماهه با 35/65 درصد، بهترین عملکرد مربوط به شبکه Deeplearning و بعد از آن، شبکه SVM-MultiClass با 40/57 درصد، قرار گرفت.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 | این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
