دوره 12، شماره 1 - ( 1387 )                   جلد 12 شماره 1 صفحات 51-29 | برگشت به فهرست نسخه ها

XML English Abstract Print

Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Khoshhal Dastjerd J, Ghavidel Rahimi Y. An Investigation on the Relationship between the Precipitation Variations in Tabriz with theGlobal Temperature Anomalies and its Numerical Simulation Using the Artificial Neural Network. MJSP 2008; 12 (1) :29-51
URL: http://hsmsp.modares.ac.ir/article-21-4334-fa.html
خوشحال دستجردی جواد، قویدل رحیمی یوسف. بررسی رابطه تغییرات بارش سالیانه تبریز با ناهنجاریهای دمایی کره زمین و شبیه سازی عددی آن با استفاده از شبکه عصبی مصنوعی. برنامه‌ریزی و آمایش فضا. 1387; 12 (1) :29-51

URL: http://hsmsp.modares.ac.ir/article-21-4334-fa.html

بررسی رابطه تغییرات بارش سالیانه تبریز با ناهنجاریهای دمایی کره زمین و شبیه سازی عددی آن با استفاده از شبکه عصبی مصنوعی
جواد خوشحال دستجردی 1، یوسف قویدل رحیمی2
1- دانشگاه اصفهان، اصفهان، ایران.
2- دانشجوی دکتری اقلیم شناسی دانشگاه اصفهان، اصفهان، ایران
چکیده:   (10222 مشاهده)
در این تحقیق داده های مربوط به ناهنجاریهای دمایی کره زمین و بارش متوسط سالیانه ایستگاه تبریز در طی دوره آماری 1951-2005 استفاده شده اند. روشهای اصلی به کار گرفته شده در این مطالعه عبارت است از روش تعیین ضریب همبستگی پیرسون، تحلیل مؤلفه روند سری های زمانی، رگرسیون خطی ساده و رگرسیون پولی نومیال به عنوان یک روش نیمه خطی و شبکه های عصبی مصنوعی. نتایج حاصل از کاربرد و تحلیل همبستگی پیرسون نشانگر همبستگی منفی و معکوس معنا داری بین بارش سالیانه تبریز و ناهنجاریهای دمایی کره زمین است. این به آن معنا است که غالباً با منفی شدن ناهنجاریهای دمایی کره زمین، بارش سالیانه تبریز افزایش پیدا کرده و ترسالی به وقوع می پیوندد و برعکس با مثبت شدن ناهنجاریهای دمایی کره زمین، متوسط بارش سالیانه تبریز کاهش پیدا کرده و خشکسالی به وقوع می پیوندد. تحلیل مؤلفه روند بلندمدت سری های زمانی نشان می دهد که در طول دوره آماری از بارش متوسط سالیانه تبریز کاسته می شود، اما روند ناهنجاریهای دمایی کره زمین روندی افزایشی از خود نشان می دهد. ارتباط بارش متوسط سالیانه تبریز با گرمایش جهانی نیز با استفاده از شبکه های عصبی مصنوعی شبیه سازی شده است. نتایج حاصل از کاربرد روشهای مختلف در این مطالعه نشان می دهد که روش شبکه عصبی مصنوعی در مقایسه با روشهای رگرسیون خطی ساده و رگرسیون نیمه خطی پولی نومیال درجه 6، روش شبیه سازی بهتر و دقیقتر است. روشهای مختلف شبکه های عصبی مصنوعی به کار گرفته شده در این مطالعه نشان می دهد که روش پرسپترون چند لایه با 3 لایه مخفی و الگوریتم آموزش پس انتشار قابلیت بسیار عالی در پیش بینی همبستگی بین سری ها دارد.
واژه‌های کلیدی: تبریز، بارش سالیانه، روند بارش، روشهای رگرسیون، شبکه های عصبی مصنوعی، پرسپترون چند لایه، تغییر اقلیم
متن کامل [PDF 572 kb]   (2853 دریافت)    

دریافت: 1384/8/15 | پذیرش: 1386/2/8 | انتشار: 1388/10/1
ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA
بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.