کاربرد مدل ترکیبی شبکه عصبی مصنوعی و الگوریتم‌های بهینه‌سازی فرا ابتکاری در پیش‌بینی شاخص خشکسالی SPEI12

خشکسالی یکی از مهم‌ترین بلایای طبیعی می‌باشد که در همه‌ی رژیم‌های آب و هوایی رخ می‌دهد. بنابراین، پیش‌بینی و مقابله با آن از اهمیت بالایی برخوردار است. در پژوهش حاضر از سه الگوریتم‌های بهینه‌سازی هوشمند (الگوریتم بهینه‌سازی مبتنی بر آموزش و یادگیری (TLBO)، الگوریتم بهینه‌سازی علف‌های هرز (IWO)، الگو...

Descripción completa

Guardado en:

Detalles Bibliográficos
Autores principales:	پوریا قاسمی, مسعود کرباسی, علیرضا زمانی نوری, مهدی سرائی تبریزی
Formato:	article
Lenguaje:	FA
Publicado:	University of Tehran, College of Aburaihan 2021
Materias:	الگوریتم‌های بهینه‌سازی هوشمند خشک‌سالی شاخص بارش- تبخیر و تعرق استانداردشده یادگیری ماشین Irrigation engineering. Reclamation of wasteland. Drainage TC801-978
Acceso en línea:	https://doaj.org/article/7e89edd6380b40bf826e0bfa85c835a1
Etiquetas:	Agregar Etiqueta Sin Etiquetas, Sea el primero en etiquetar este registro!

id	oai:doaj.org-article:7e89edd6380b40bf826e0bfa85c835a1
record_format	dspace
spelling	oai:doaj.org-article:7e89edd6380b40bf826e0bfa85c835a12021-11-09T21:21:23Zکاربرد مدل ترکیبی شبکه عصبی مصنوعی و الگوریتم‌های بهینه‌سازی فرا ابتکاری در پیش‌بینی شاخص خشکسالی SPEI122251-62982382-993110.22059/jwim.2021.318390.859https://doaj.org/article/7e89edd6380b40bf826e0bfa85c835a12021-08-01T00:00:00Zhttps://jwim.ut.ac.ir/article_82127_d92f1a3b6fe42a09bb5ff9873d1c329e.pdfhttps://doaj.org/toc/2251-6298https://doaj.org/toc/2382-9931خشکسالی یکی از مهم‌ترین بلایای طبیعی می‌باشد که در همه‌ی رژیم‌های آب و هوایی رخ می‌دهد. بنابراین، پیش‌بینی و مقابله با آن از اهمیت بالایی برخوردار است. در پژوهش حاضر از سه الگوریتم‌های بهینه‌سازی هوشمند (الگوریتم بهینه‌سازی مبتنی بر آموزش و یادگیری (TLBO)، الگوریتم بهینه‌سازی علف‌های هرز (IWO)، الگوریتم ازدحام ذرات (PSO)) و الگوریتم متداول لونبرگ- مارکوات به‌منظور آموزش شبکه عصبی مصنوعی چند لایه، برای پیش‌بینی شاخص خشکسالی SPEI12 یک الی سه ماه آینده در 79 ایستگاه سینوپتیک کشور استفاده گردید. با توجه به تعداد زیاد ایستگاه‌های سینوپتیک، ایستگاه‌ها با توجه به سری‌های زمانی خشکسالی و با استفاده از روش K-means به پنج خوشه C1 تا C5 تقسیم شدند. نتایج با توجه به قرارگیری ایستگاه‌ها در خوشه‌ها مورد مقایسه قرار گرفتند و دقت مدل‌ها بر اساس آماره‌های RMSE) و (R2 داده‌های آزمون، مورد ارزیابی قرار گرفتند. نتایج به‌دست ‌آمده از این پژوهش نشان داد که در هر سه مدل پیش‌بینی با افزایش مقیاس زمانی پیش‌بینی دقت مدل‌ها کاهش یافته است. مقایسه بین سه الگوریتم بهینه‌سازی ذکر شده و الگوریتم لونبرگ- مارکوات به‌عنوان یک الگوریتم پرکاربرد در بهینه‌سازی وزن‌های شبکه عصبی، نشان‌دهنده برتری قابل توجه الگوریتم‌های بهینه‌سازی فراابتکاری است. مقایسه بین سه الگوریتم TLBO،IWO و PSO نشان داد که الگوریتم TLBO اندکی بهتر از سایر الگوریتم‌ها عمل می‌کند و نتایج دقیق‌تری را ارائه می‌کند. بهترین پیش‌بینی مدل‌های ذکر شده و بیشترین مقادیر R2 در خوشه یک (شرق، نوار جنوب و جنوب شرقی ایران) و بیشترین مقادیر RMSE و کمترین دقت مدل‌ها در خوشه پنج (نوار شمالی کشور) مشاهده شد.پوریا قاسمیمسعود کرباسیعلیرضا زمانی نوریمهدی سرائی تبریزیUniversity of Tehran, College of Aburaihanarticleالگوریتم‌های بهینه‌سازی هوشمندخشک‌سالیشاخص بارش- تبخیر و تعرق استانداردشدهیادگیری ماشینIrrigation engineering. Reclamation of wasteland. DrainageTC801-978FAمدیریت آب و آبیاری, Vol 11, Iss 2, Pp 173-188 (2021)
institution	DOAJ
collection	DOAJ
language	FA
topic	الگوریتم‌های بهینه‌سازی هوشمند خشک‌سالی شاخص بارش- تبخیر و تعرق استانداردشده یادگیری ماشین Irrigation engineering. Reclamation of wasteland. Drainage TC801-978
spellingShingle	الگوریتم‌های بهینه‌سازی هوشمند خشک‌سالی شاخص بارش- تبخیر و تعرق استانداردشده یادگیری ماشین Irrigation engineering. Reclamation of wasteland. Drainage TC801-978 پوریا قاسمی مسعود کرباسی علیرضا زمانی نوری مهدی سرائی تبریزی کاربرد مدل ترکیبی شبکه عصبی مصنوعی و الگوریتم‌های بهینه‌سازی فرا ابتکاری در پیش‌بینی شاخص خشکسالی SPEI12
description	خشکسالی یکی از مهم‌ترین بلایای طبیعی می‌باشد که در همه‌ی رژیم‌های آب و هوایی رخ می‌دهد. بنابراین، پیش‌بینی و مقابله با آن از اهمیت بالایی برخوردار است. در پژوهش حاضر از سه الگوریتم‌های بهینه‌سازی هوشمند (الگوریتم بهینه‌سازی مبتنی بر آموزش و یادگیری (TLBO)، الگوریتم بهینه‌سازی علف‌های هرز (IWO)، الگوریتم ازدحام ذرات (PSO)) و الگوریتم متداول لونبرگ- مارکوات به‌منظور آموزش شبکه عصبی مصنوعی چند لایه، برای پیش‌بینی شاخص خشکسالی SPEI12 یک الی سه ماه آینده در 79 ایستگاه سینوپتیک کشور استفاده گردید. با توجه به تعداد زیاد ایستگاه‌های سینوپتیک، ایستگاه‌ها با توجه به سری‌های زمانی خشکسالی و با استفاده از روش K-means به پنج خوشه C1 تا C5 تقسیم شدند. نتایج با توجه به قرارگیری ایستگاه‌ها در خوشه‌ها مورد مقایسه قرار گرفتند و دقت مدل‌ها بر اساس آماره‌های RMSE) و (R2 داده‌های آزمون، مورد ارزیابی قرار گرفتند. نتایج به‌دست ‌آمده از این پژوهش نشان داد که در هر سه مدل پیش‌بینی با افزایش مقیاس زمانی پیش‌بینی دقت مدل‌ها کاهش یافته است. مقایسه بین سه الگوریتم بهینه‌سازی ذکر شده و الگوریتم لونبرگ- مارکوات به‌عنوان یک الگوریتم پرکاربرد در بهینه‌سازی وزن‌های شبکه عصبی، نشان‌دهنده برتری قابل توجه الگوریتم‌های بهینه‌سازی فراابتکاری است. مقایسه بین سه الگوریتم TLBO،IWO و PSO نشان داد که الگوریتم TLBO اندکی بهتر از سایر الگوریتم‌ها عمل می‌کند و نتایج دقیق‌تری را ارائه می‌کند. بهترین پیش‌بینی مدل‌های ذکر شده و بیشترین مقادیر R2 در خوشه یک (شرق، نوار جنوب و جنوب شرقی ایران) و بیشترین مقادیر RMSE و کمترین دقت مدل‌ها در خوشه پنج (نوار شمالی کشور) مشاهده شد.
format	article
author	پوریا قاسمی مسعود کرباسی علیرضا زمانی نوری مهدی سرائی تبریزی
author_facet	پوریا قاسمی مسعود کرباسی علیرضا زمانی نوری مهدی سرائی تبریزی
author_sort	پوریا قاسمی
title	کاربرد مدل ترکیبی شبکه عصبی مصنوعی و الگوریتم‌های بهینه‌سازی فرا ابتکاری در پیش‌بینی شاخص خشکسالی SPEI12
title_short	کاربرد مدل ترکیبی شبکه عصبی مصنوعی و الگوریتم‌های بهینه‌سازی فرا ابتکاری در پیش‌بینی شاخص خشکسالی SPEI12
title_full	کاربرد مدل ترکیبی شبکه عصبی مصنوعی و الگوریتم‌های بهینه‌سازی فرا ابتکاری در پیش‌بینی شاخص خشکسالی SPEI12
title_fullStr	کاربرد مدل ترکیبی شبکه عصبی مصنوعی و الگوریتم‌های بهینه‌سازی فرا ابتکاری در پیش‌بینی شاخص خشکسالی SPEI12
title_full_unstemmed	کاربرد مدل ترکیبی شبکه عصبی مصنوعی و الگوریتم‌های بهینه‌سازی فرا ابتکاری در پیش‌بینی شاخص خشکسالی SPEI12
title_sort	کاربرد مدل ترکیبی شبکه عصبی مصنوعی و الگوریتم‌های بهینه‌سازی فرا ابتکاری در پیش‌بینی شاخص خشکسالی spei12
publisher	University of Tehran, College of Aburaihan
publishDate	2021
url	https://doaj.org/article/7e89edd6380b40bf826e0bfa85c835a1
work_keys_str_mv	AT pwryạqạsmy ḵạrbrdmdltrḵybysẖbḵhʿṣbymṣnwʿywạlgwrytmhạybhynhsạzyfrạạbtḵạrydrpysẖbynysẖạkẖṣkẖsẖḵsạlyspei12 AT msʿwdḵrbạsy ḵạrbrdmdltrḵybysẖbḵhʿṣbymṣnwʿywạlgwrytmhạybhynhsạzyfrạạbtḵạrydrpysẖbynysẖạkẖṣkẖsẖḵsạlyspei12 AT ʿlyrḍạzmạnynwry ḵạrbrdmdltrḵybysẖbḵhʿṣbymṣnwʿywạlgwrytmhạybhynhsạzyfrạạbtḵạrydrpysẖbynysẖạkẖṣkẖsẖḵsạlyspei12 AT mhdysrạỷytbryzy ḵạrbrdmdltrḵybysẖbḵhʿṣbymṣnwʿywạlgwrytmhạybhynhsạzyfrạạbtḵạrydrpysẖbynysẖạkẖṣkẖsẖḵsạlyspei12
_version_	1718440761530253312

کاربرد مدل ترکیبی شبکه عصبی مصنوعی و الگوریتم‌های بهینه‌سازی فرا ابتکاری در پیش‌بینی شاخص خشکسالی SPEI12

Ejemplares similares