این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
تحقیقات منابع آب ایران، جلد ۵، شماره ۲، صفحات ۴۰-۵۲
عنوان فارسی مقایسه نتایج به دست آمده از کاربرد سیستم استنباط فازی ممدانی و شبکه‌های عصبی مصنوعی در پیش‌بینی بارش فصلی، مطالعه موردی: منطقه خراسان
چکیده فارسی مقاله در این مقاله با استفاده از سیستم استنباط فازی و شبکه‌های عصبی مصنوعی پیش‌بینی بارش در بازه زمانی دسامبر تا می در منطقه خراسان بزرگ شامل سه استان خراسان رضوی، خراسان شمالی و خراسان جنوبی ارائه شده است. این روش شامل سه گام می‌باشد. در گام اول، ارتباط بین تغییرات الگوهای سینوپتیکی شامل فشار سطح دریا، اختلاف فشارسطح دریا، دمای سطح دریا، اختلاف دمای سطح دریا و سطح 1000 میلی باری، دمای سطح 850 هکتوپاسکال، ارتفاع معادل سطح 500 هکتوپاسکال و رطوبت نسبی سطح 300 هکتوپاسکال با بارش متوسط منطقه‌ای مورد بررسی قرار گرفته است. در انتخاب این مناطق که مجموعه‌ای از نقاط در خلیج فارس و دریای عمان، دریای سیاه، دریای خزر، دریای مدیترانه، دریای شمال، دریای آدریاتیک، دریای سرخ، خلیج عدن، اقیانوس اطلس، اقیانوس هند و سیبری را شامل می‌شوند، تأثیرپذیری بارندگی منطقه شمال شرق ایران از الگوهای سینوپتیکی مورد توجه قرار گرفته است. در گام دوم، مدل در دوره 1993-1970 آموزش داده شده است و در گام سوم، پیش‌بینی بارش در دوره 2002-1993 انجام شده است. نتایج نشان می‌دهد سیستم استنباط فازی و شبکه‌های عصبی مصنوعی می‌تواند بارش را با دقت قابل قبولی پیش‌بینی کنند. همچنین نتایج نشان می‌دهد که ریشه میانگین مربعات خطا برای سیستم استنباط فازی و شبکه‌های عصبی مصنوعی به ترتیب 52 و 41 میلی‌متر می‌باشد. بنابراین شبکه‌های عصبی مصنوعی در پیش‌بینی بارش موفق‌تر از مدل فازی بوده است.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Results Compression of Mamdani Fuzzy Interface System and Artificial Neural Networks int the Seasonal Rainfall Prediction,Case Study: Khorasan Region
چکیده انگلیسی مقاله Seasonal rainfall forecasts can effectively be used for resources planning and management - e.g., reservoir operations, agricultural practices, and flood emergency responses. Effective planning and management of water resources in the short term requires a general view of the upcoming season. In the long term, this needs realistic projections of scenarios for future variability and changes. In this paper, 33 years of rainfall data in the Khorasan region, northeastern Iran was analyzed. The study area is situated at 31°-38°N, 74°- 80°E. This synoptical data was trained by the Mamdani fuzzy Inference system and the artificial neural network. For performance evaluation, predicted outputs were compared with the actual rainfall data. First, synoptical relationships were investigated i.e. Sea Level Pressure (SLP), Sea Surface Temperature (SST), Sea Surface Pressure Difference (DSLP), Sea Surface Temperature (DSST) and Air Temperature at 850 hpa, Geopotential Height at 500 hpa, and Relative Humidity at 300 hpa. Models were then calibrated for the period of 1970 to 1992. Finally, the rainfall is predicted. Simulation results revealed that the Mamdani fuzzy Inference system and artificial neural networks are both promising and efficient. The root mean square for Mamdani fuzzy Inference system and the artificial neural network were 52 and 41 millimeters, respectively.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله غلامعباس فلاح قالهری | fallah ghalhari
دانشجوی دکتری اقلیم شناسی دانشگاه اصفهان و عضو گروه اقلیم شناسی کاربردی پژوهشکده اقلیم شناسی
سازمان اصلی تایید شده: دانشگاه اصفهان (Isfahan university)

سید محمد موسوی بایگی | seyed mohammad moosavi baygi
عضو هیات علمی دانشکده کشاورزی دانشگاه فردوسی مشهد
سازمان اصلی تایید شده: دانشگاه فردوسی (Ferdowsi university)

مجید حبیبی نوخندان | habibi nokhandan
عضو هیات علمی پژوهشکده اقلیم شناسی و رییس پژوهشکده اقلیم شناسی و مرکز ملی اقلیم

نشانی اینترنتی http://www.iwrr.ir/article_15757_5251f99b977785acfb865b78d8f43b8f.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات