TY - JOUR ID - 60903 TI - پیش‌بینی بارش ماهانه بر اساس سیگنال‌های بزرگ‌مقیاس اقلیمی با به‌کارگیری مدل‌های هوشمند و رگرسیون خطی چندگانه (مطالعه موردی: ایستگاه سینوپتیک سمنان) JO - اکوهیدرولوژی JA - IJE LA - fa SN - 2423-6098 AU - محمدی, مجید AU - کرمی, حجت AU - فرزین, سعید AU - فرخی, علیرضا AD - دانشجوی دکتری، گروه مهندسی آب و سازه‏های هیدرولیکی، دانشکدۀ مهندسی عمران، دانشگاه سمنان AD - استادیار، گروه مهندسی آب و سازه‏های هیدرولیکی، دانشکدۀ مهندسی عمران، دانشگاه سمنان Y1 - 2017 PY - 2017 VL - 4 IS - 1 SP - 201 EP - 214 KW - بارش ماهانه KW - سیگنال‏های بزرگ‏مقیاس اقلیمی KW - شبکۀ عصبی مصنوعی KW - شبکۀ فازی‌ـ ‏عصبی KW - رگرسیون خطی چندگانه DO - 10.22059/ije.2017.60903 N2 - سیگنال‏های بزرگ‏مقیاس اقلیمی شامل کنش‏های جوّی‌ـ ‏اقیانوسی، از عوامل اصلی مؤثر بر نوسانات اقلیمی زمین هستند و شاخص‏های بسیار مهمی در پیش‏بینی متغیرهای اقلیمی محسوب می‏شوند. در این پژوهش، با به‏کارگیری مدل‏های شبکۀ عصبی مصنوعی، شبکۀ فازی‌ـ ‏عصبی و رگرسیون خطی چندگانه، بارش ماه آتی در ایستگاه سینوپتیک سمنان پیش‏بینی شد. بدین‌منظور، از سری زمانی ماهانۀ بارش ایستگاه سینوپتیک سمنان و سیگنال‏های بزرگ‏مقیاس اقلیمی طی یک دورۀ 45 ساله (1966‌ـ 2010 میلادی) استفاده شد. سیگنال‏های مؤثر بر بارش ماه آتی با استفاده از تحلیل رگرسیون خطی گام‏به‏گام تعیین شدند و به‏عنوان متغیرهای ورودی در مدل‏های استفاده‌شده، انتخاب شدند. از 540 سری دادۀ ماهانه، 80 درصد ابتدایی برای آموزش و 20 درصد ‌باقی برای آزمون صحت‏سنجی مدل‏ها استفاده شدند. عملکرد مدل‏ها با معیارهای ارزیابی ضریب همبستگی، میانگین قدر مطلق خطا و ریشۀ میانگین مربعات خطا مقایسه شد. نتایج صحت‏سنجی نشان داد ضرایب همبستگی به‏دست‏آمده (829/0، 793/0 و 767/0) به‌ترتیب مربوط به مدل‏های شبکۀ عصبی مصنوعی، شبکۀ فازی‌ـ ‏عصبی و رگرسیون خطی چندگانه‌اند. بر‌اساس نتایج این تحقیق، می‏توان برای پیش‏بینی بارش ماه آتی ایستگاه سینوپتیک سمنان، به‌ترتیب از مدل‏های شبکۀ عصبی مصنوعی، شبکۀ فازی‌ـ ‏عصبی و رگرسیون خطی چندگانه استفاده کرد.   UR - https://ije.ut.ac.ir/article_60903.html L1 - https://ije.ut.ac.ir/article_60903_6c0e39b3351a7ef42a02147b14c31879.pdf ER -