بانک مقالات جغرافیا

در اين  پژوهش، از شبکه هاي عصبي مصنوعي (Artificial Neural Networks) به عنوان ابزاري توانمند در مدل سازي فرآيندهاي غيرخطي و نامعين، به منظور پيش بيني سيکل خشکسالي در 20 ايستگاه سينوپتيک، کليماتولوژي و هيدرومتري استان اصفهان که حداقل 20 سال آمار روزانه داشتند، استفاده شد. از نرم افزار MATLAB-7 و در شاخه Neural Network، براي پيش بيني و تجزيه و تحليل عناصر اقليمي کمک گرفته شد. ورودي مدل هاي ANN، داده هاي ميانگين ماهانه بارش، دبي حداقل و دماي بيشينه است که اين داده ها، بازه زماني سال هاي 1360 تا 1383 را در بر مي گيرند. اطلاعات 20 ساله براي آموزش مدل ها و 4 سال باقي مانده براي آزمايش آن ها به کار رفته است. شبکه مورد استفاده از نوع پرسپترون چندلايه (Multi-layer Perceptron) با الگوريتم پس انتشارِ خطا ( Back Propagation) و تکنيک يادگيري مارکوارت - لونبرگ (Train LM: Levenberg-Marquardt) است. ساختارهاي گوناگوني از شبکه عصبي با تغيير در لايه هاي ورودي (6 مدل)، تعداد گره ها در لايه هاي پنهان و خروجي (2 الي20 گره) ايجاد گرديد. نتايج حاصل از تحقيق حاضر، نشان مي دهد که در  ميان الگوهاي مورد بررسي، دماي بيشينه، دبي و بارش، نقش مثبتي در پيش بيني خشکسالي هاي استان اصفهان داشته، با کاربرد شبکه عصبي مصنوعي مي توان با دقت بالاي 95 درصد، سيکل خشکسالي استان را پيش بيني نمود.

 نسخه قابل چاپ