مجله اکوهیدرولوژی

مجله اکوهیدرولوژی

تعیین اثر پیش ‏پردازش داده بر عملکرد شبکۀ عصبی مصنوعی به‏منظور پیش‏ بینی بارش ماهانه در شهرستان آباده

نوع مقاله : پژوهشی

نویسندگان
مهدی بهرامی 1
محمدجواد امیری 1
فاطمه رضایی مهارلویی 2
کرامت الله غفاری 3
1 استادیار، گروه علوم و مهندسی آب، دانشکدۀ کشاورزی، دانشگاه فسا
2 دانشجوی کارشناسی ارشد آبیاری و زهکشی، گروه علوم و مهندسی آب، دانشکدۀ کشاورزی، دانشگاه فسا
3 مربی گروه فناوری اطلاعات، دانشکدۀ مهندسی، دانشگاه فسا
10.22059/ije.2017.60880
چکیده
توابع تبدیل صورت می‏گیرد. در پژوهش حاضر با استفاده از اطلاعات میانگین بارش ماهانه، کمترین و بیشترین دما و رطوبت ایستگاه سینوپتیک شهرستان آباده در بازۀ زمانی 1355 تا 1392 به‏صورت نرمال‏شده و خام به‏عنوان ورودی‏های شبکۀ پرسپترون چند‏لایه، بارش ماه آیندۀ شهرستان پیش‏بینی شد. برای نرمال‏سازی داده‏های هواشناسی، پس از بررسی وجود داشتن یا نداشتن داده‏های گم‏شده و پرت از سه روش نرمال‏سازی مینیمم‌ـ ماکزیمم، رتبه‏ای و آمارۀ نرمال استاندارد استفاده شد. پس از به‏دست‏آوردن بهترین ساختار شبکه با استفاده از آزمون ‏و ‏خطا برای هر روش از مقایسۀ بهترین ساختارهای هر روش با یکدیگر، روش مینیمم‌ـ ماکزیمم با ساختار شبکۀ سه‏لایه و تعداد 13 نورون در لایۀ پنهان با مقدار 92/0=R و 12/0=MSE در مقایسه با دیگر روش‏ها به‏عنوان بهترین روش انتخاب شد. نتایج آنالیز حساسیت انجام‏شده نیز نشان داد مدل به حذف پارامتر بیشترین رطوبت بیشتر از سایر پارامترها حساسیت نشان داد. پس از آن نیز دمای حداکثر بیشترین تأثیر را بر پیش‏بینی بارش داشت. همچنین مقایسۀ عملکرد شبکه با تعداد ورودی‏های مختلف نشان داد شبکه با داشتن دو ورودی شامل کمترین دما و رطوبت با مقدار 13/0= MSE در مواقعی که کمبود داده وجود دارد نسبت به‏تعداد پنج ورودی به‏ نتیجۀ خوبی رسید.
 
 
کلیدواژه‌ها
آمارۀ نرمال استاندارد
بارندگی
مینیمم‌ـ ماکزیمم
نرمال ‏سازی داده
نرمال‏ سازی رتبه ‏ای
موضوعات

  1.  

    1. Lookzadeh S. Evaluation of some methods for reconstruction of rainfall data in Alborz region, MSc, thesis, Tehran University,2004; P. 96. [In Persian].
    2. Kohzadi N, Boyd M, Kaastra I, Kermanshahi B, Scuse D. Neural networks for forecasting: an introduction. Canadian Journal of Agricultural Economics. 1995; 43: 463-474.
    3. Naghdi R, Shayannejhad M, Sadatinejad S.J. Comparison of different methods for estimating of monthly discharge missing data in Grand Karoon River Basin. Journal of Watershed Management Research. 2010; 1(1): 59-73. [In Persian].
    4. Mohammadi Takami M. The methods of data processing and pattern recognition. Faculty of electrical engineering. Khaje Nasireddin Toosi University. 2005.[In Persian].
    5. Nazeri Tahrudi M, Khalili K, Abbaszade Afshar M, Nazeri Tahrudi Z. Compared to the normal mechanism becomes the normal monthly rainfall data from different regions of Iran. Journal of Water and soil. 2014; 28 (2): 365- 372. [In Persian].
    6. Adab H, Fallah Ghalhari Gh, Mirzabayati R. Evaluation of interpolation methods of Kriging and linear regression based on the DEM to mapping annual rainfall in Khorasan Razavi province. Geomatics Conference. Tehran. National Cartographic Center, Iran. 2008.[In Persian].
    7. Hamidi R, Emamgholizade S. Stochastic modeling of Maroon River annual discharge using ARMA model. The first National Conference of Applied Research of Iran Water Resources. Tehran. 2009. [In Persian].
    8. Shafiei M, Ghahraman B, Ansari H, Sharifi M. B. Stochastic simulation of drought severity based on Palmer Index. Journal of Water and Irrigation Management. 2011; 1 (1).1-13. [In Persian].
    9. Saghafian B, Razmkhah H, Ghermezcheshmeh B. Investigation of regional variations in annual rainfall by geostatistical methods, case study: Fars Province. Journal of Water Resources Engineering.2011; 4 (9): 29-38. [In Persian].
    10. Ahmadi F, Dinpajouh Y, Fakherifard A, Khalili K. Modeling of river discharge using time series linear models (case study: Barandoozchay River). The first national conference of Strategies to achieve sustainable development in agriculture, natural resources and the environment. Tehran. 2012.[In Persian].
    11. Nikmanesh M, Taleb Bidokhti N. Comparison of wavelet theory and time series in modeling of monthly rainfall of Saadatshahr and Arsenjan in Fars Province. Journal of Natural Geography.2012; 5 (16): 1-10. [In Persian].
    12. Nazeri Tahrudi M, Khalili K, Ahmadi F, Nazeri Tahrudi Z. Modeling of temperature using periodic ARMA model (case study: Kerman Synoptic Station). Conference of applied researches in science and engineering. Tehran. 2012.[In Persian].
    13. Nazeri Tahrudi M, Ahmadi F, Khalili K, Nazeri Tahrudi Z. Application of SAMS software to modeling of future climate of Kordestan Province (case study: Sanandaj Synoptic Station). The first conference of semi-arid regions hydrology. Sanandaj. 2013.[In Persian].
    14. Nazeri Tahrudi M, Khalili K, Nazeri Tahrudi Z, Shahnazi M. Evaluation of ARIMA and PARMA models in modeling and forecasting maximum wind speed (case study: Bandar Abbas Synoptic Station). National conference of applied researches in science and engineering. Takestan. 2013.[In Persian].
    15. Azadi S, Sepaskhah A. R. Annual precipitation forecast for west, southwest, and south provinces of Iran using artificial neural networks. Theoretical and Applied Climatology. 2012; 109(1): 175.
    16. Leahy P, Kiely G, Corcoran G. Structural optimisation and input selection of an artificial neural network for river level prediction. J Hydrol,. 2008; 355:192–201.
    17. Tabari H, Marofi S, Sabziparvar A.A. Estimation of daily pan evaporation using artificial neural network and multivariate non-linear regression. Irrigation Science. 2010; 28: 399-406.
    18. Kim IS, Son JS, Park CE, Kim IJ, Kim HH. An investigation into an intelligent system for predicting bead geometry in Arc welding process. Int. J. of Materials Processing Technology. 2005; 159: 113–118.
    19. Nasri M, Modarrs R, Dastoorani MT. Validation of ANN model of rainfall- runoff relationship in Zaynderood Dam Watershed. Journal of Watershed Researches.2010; 88: 17-26. [In Persian].
    20. Hagan MT, Menhaj M. Training feed-forward networks with the Marquardt algorithm. IEEE Transactions on Neural Networks. 1994; 5(6): 989-993.
    21. Aksoy S, Haralick M. Feature Normalization and Likelihood-based Similarity Measures for Image Retrieval. Intelligent Systems Laboratory, Department of Electrical Engineering, University of Washington, Seattle, WA 98195-2500, U.S.A. 2000.
    22. Nawi NM, Atomi WH, Rehman MZ. The Effect of Data Pre-Processing on Optimized Training of Artificial Neural Networks. Procedia Technology. 2003; 11: 32 – 39.
    23. Willmotte CJ. Some comments on the evaluation of model performance. American Meteorological Society,1982; 63:1309-1313.
    24. Haliban AH, Darand M. Forecasting rainfall using ANN. Journal of Applied Researches of Geographic Sciences. 2012; 12 (26): 47-63. [In Persian].
    25. Amiri MJ, Abedi-Koupai J, Eslamian SS, Mousavi SF, Hasheminejad H. Modeling Pb(II) adsorption from aqueous solution by ostrich bone ash using adaptive neural-based fuzzy inference system, J. Environ. Sci. Health, Part A 48. 2013; 543–558.
    26. Erfanian M, Ansari H, Alizade A. Forecasting monthly rainfall and average temperature using remote link templates with ANN (case study: Mashhad Synoptic Station). Geographical Studies of Arid Regions.2013; 3 (11): 53-73.[In Persian].
    27. Golkar F, Farahmand A, Farahmand F. Evaluation of ANN application in prediction of Shiraz rainfall. National conference of Water Crisis Management. Islamic Azad University of Marvdasht. 2009.[In Persian].

     

مجله اکوهیدرولوژی
دوره 4، شماره 1
بهار 1396
صفحه 29-37

  • تاریخ دریافت 20 آبان 1395
  • تاریخ بازنگری 06 دی 1395
  • تاریخ پذیرش 20 دی 1395
  • تاریخ اولین انتشار 01 فروردین 1396
  • تاریخ انتشار 01 فروردین 1396