این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
تحقیقات جغرافیایی، جلد ۳۲، شماره ۱، صفحات ۱۴۹-۱۶۲
عنوان فارسی مدل سازی پیش‌یابی بارش ماهانه در حوضه آبریز بلوچستان جنوبی
چکیده فارسی مقاله افزایش رخداد بارش‌های حدی و از سوی دیگر عدم بارش در یک گستره، خسارات قابل توجهی در دهه‌های اخیر به بوم‌سامانه‌های طبیعی و مصنوعی وارد ساخته است. از این رو پیش‌یابی مقادیر بارش برای مدیریت مناسب منابع آبی در این گستره­ها بسیار اهمیت دارد. هدف این پژوهش پیشنهاد مدل و بررسی دقت پیش‌یابی بارش ماهانه با روش‌های شبکه عصبی مصنوعی و مدل­های تصادفی در پهنه جنوب شرق کشور واقع در استان سیستان و بلوچستان می­باشد. این منطقه به لحاظ تاثیرپذیری از سامانه­های گوناگون باران­زا و کمی متفاوت از سایر مناطق کشور، دارای رژیم بارش رگباری نامنظم و تقریبا پیچیده­ای است. پیش­یابی بارش معرف منطقه با استناد بر روش­های سری زمانی ساریما و شبکه عصبی با تاخیر زمانی انجام گرفت. داده­های مورد بررسی شامل سری بارش ماهانه دوره آماری 52-1351 تا 88-1387 برای ایستگاه‌های منتخب منطقه می­باشد، که بر پایه پراکنش مناسب ایستگاه‌ها و کیفیت داده­ها برگزیده شدند. مقایسه نتایج پیش­یابی دو روش مورد بررسی نشان از برتری روش شبکه عصبی تاخیر زمانی نسبت به سری زمانی ساریما برای گستره مطالعاتی دارد. این امر به تاثیر سامانه­های مختلف باران­زا، رژیم بارش­های رگباری و بسیار پراکنده‌ پهنه جنوب شرق کشور مربوط می‌‌شود.
کلیدواژه‌های فارسی مقاله بارش، شبکه­ عصبی، سری زمانی، پیش‌یابی، حوضه بلوچستان جنوبی
عنوان انگلیسی Modeling Monthly Rainfall in Southern Baluchestan Basin
چکیده انگلیسی مقاله Flood and drought have caused several damages in natural and unnatural ecosystems in recent decade. Rainfall prediction can be useful in water resource management. The goal of this study is modeling the monthly precipitation of south east of Iran in South-Baluchistan basin, using artificial neural network (ANN) and stochastic models. This area has an unpredictable and complicated monthly rainfall pattern due to impact of several different precipitation systems of other surrounding regions. SARIMA time series models and Time Delay Neural Network (TDNN) are used in monthly precipitation forecasting. Monthly time series of rainfall during 1351-52 to 1387-88 in selected station were used in this study. Stations selection was based on Geographical distribution and data quality. Comparing the results of models of forecasting showed that TDNN model is superior to SARIMA time series model due to different rainfall systems and very sporadic precipitation in this area.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله صفر معروفی |
دانشگاه بوعلی سینا همدان
سازمان اصلی تایید شده: دانشگاه بوعلی سینا (Bu ali sina university)

رضا نوروز ولاشدی | norooz valashedi
دانشگاه بوعلی سینا همدان
سازمان اصلی تایید شده: دانشگاه بوعلی سینا (Bu ali sina university)

فروغ گلکار |
دانشگاه بوعلی سینا همدان
سازمان اصلی تایید شده: دانشگاه بوعلی سینا (Bu ali sina university)

نشانی اینترنتی http://georesearch.ir/browse.php?a_code=A-10-1-76&slc_lang=fa&sid=fa
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/694/article-694-409789.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده تخصصی
نوع مقاله منتشر شده پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات