پیش بینیِ بارندگی ماهانه با استفادة مستقیم از موجک و شبکة عصبی موجکی
نویسندگان
چکیده مقاله:
برآورد و پیشبینی بارش اهمیت ویژهای دارد. به دلیل نبود قطعیت، هیچ یک از مدلهای آماری و مفهومی نتوانستهاند به منزلة یک مدل برتر در الگوسازی دقیق بارش شناخته شوند. اخیراً، به کاربردِ موجک در آنالیز سیگنالها و سریهای زمانی در هیدرولوژی توجه شده است. در این تحقیق، سیگنال بارندگی با استفاده از موجک مادر منتخب تجزیه شد و دادههای به‌دست‌آمده با دو روش برازش معادلات مستقیم و هیبرید عصبی- موجکی برای پیشبینی استفاده شد. روش مذکور در پیشبینی بارندگیِ ماهانة 33 سال ایستگاه زرین‌گل از سال آبی 1354 ـ 1355 تا 1386 ـ 1387 به‌کار گرفته شد و نتایج با یکدیگر مقایسه شد. نتایج نشان داد تجزیة سیگنال با موجک به طور قابل ملاحظهای موجب افزایش همبستگی میان دادههای مشاهداتی و محاسباتی می‌شود و سیگنالِ بارندگی با دقت بیشتری پیشبینی می‌شود؛ به طوری که در روش مستقیم میزان R2برابر با 74/0 و در روش هیبرید عصبی- موجکی در بهترین حالت برای چهار سطح تجزیه برابر 95/0 است. این نتیجه قدرت موجک در سادهسازی سیگنال و افزایش دقت پیشبینی دادههای کاملاً تصادفی بارندگی را در منطقة مورد نظر تأیید می‌کند. ضمن آنکه، معنیدار نبودن تست Fدر سطح 90 درصد و بالاتر تأیید دیگری بر این مطلب است.
منابع مشابه
پیش بینی هفتگی زبالة تولیدی با استفاده از مدل ترکیبی شبکة عصبی و تبدیل موجک
پیش بینی کمیت تولید، نقشی اساسی در بهینه سازی و برنامه ریزی سیستم مدیریت مواد زاید جامد شهری دارد. اما به دلیل طبیعت ناهمگون و تأثیر عوامل متنوع و خارج از کنترل بر تولید، همواره با مشکلات زیادی همراه بوده است. شبکة عصبی مصنوعی اخیراً در بسیاری از کاربردهای مهندسی نظیر مهندسی محیط زیست به عنوان ابزاری قدرتمند در مدلسازی مورد توجه قرار گرفته است. در این تحقیق با توجه به دینامیک و پیچیده بودن سیستم...
متن کاملپیش¬بینی جریان روزانه با استفاده از شبکه¬های عصبی مصنوعی و عصبی- موجکی (مطالعه موردی: رودخانه باراندوزچای)
پیشبینی دقیق جریان در رودخانهها یکی از مهمترین ارکان در مدیریت منابع آبهای سطحی به ویژه جهت اتخاذ تدابیر مناسب در مواقع سیلاب و بروز خشکسالیها است. به دلیل اهمیت پیشبینی جریان رودخانه، در این تحقیق جریان روزانه رودخانهی باراندوزچای در دو ایستگاه بیبکران و دیزج طی یک دورهی آماری 20 ساله با استفاده از مدل عصبی- موجکی (WNN) که تلفیق آنالیز موجک و شبکه عصبی مصنوعی (ANN) میباشد، پیشبینی گرد...
متن کاملتأثیر پیش پردازش متغیرهای ورودی به شبکه عصبی برای پیش بینی جریان ماهانه با آنالیز مؤلفه های اصلی و موجک
برآورد جریان حوضه آبریز با توجه به کاربرد گسترده آن در علوم مرتبط با صنعت آب، از دیرباز مورد توجه پژوهشگران بوده است. ارائه الگوهای نو و به کارگیری تکنیک های پیشرفته می تواند موجب ایجاد تحول در برآورد این سیستم دینامیک و غیرخطی شود. در این تحقیق برای پیش بینی جریان ماهانه، از شبکه عصبی پیشخور استفاده گردیده است. به علت تعداد زیاد متغیرهای مورد استفاده در این تحقیق برای پیش بینی جریان، شناخت متغ...
متن کاملپیش بینی خشکسالی با استفاده از مدل تلفیقی شبکه عصبی مصنوعی- موجک و مدل سری زمانیARIMA
تبدیل موجک یکی از روشهای نوین و بسیار موثر در زمینه تحلیل سیگنالها و سریهای زمانی است. در این روش سیگنال شاخص بارش استاندارد (SPI) با استفاده از موجک مادر منتخب تجزیه شده، دادههای حاصل بهعنوان ورودی مدل شبکه عصبی مصنوعی در نظر گرفته شده و یک مدل تلفیقی برای پیشبینی خشکسالی ارائه میگردد. در این تحقیق، از شبکههای عصبی مصنوعی پرسپترون چند لایه (MLP) و تابع پایه‌ای شعاعی ((RBF، سری زمانی AR...
متن کاملمنابع من
با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید
ذخیره در منابع من قبلا به منابع من ذحیره شده{@ msg_add @}
عنوان ژورنال
دوره 68 شماره 3
صفحات 553- 571
تاریخ انتشار 2015-09-23
با دنبال کردن یک ژورنال هنگامی که شماره جدید این ژورنال منتشر می شود به شما از طریق ایمیل اطلاع داده می شود.
میزبانی شده توسط پلتفرم ابری doprax.com
copyright © 2015-2023