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:
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