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...
Guardado en:
Autores principales: | , , , |
---|---|
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 |