دوره 11، شماره 21 - ( بهار و تابستان 1399 )
جلد 11 شماره 21 صفحات 71-59 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Abbasi A, Khalili K, behmanesh J, Shirzad A. (2020). Comparison of Artificial Neural Networks, Bayesian Network and Gene Expression Programming in Drought Prediction
(Case Study: Maragheh Synoptic Station). jwmr. 11(21), 59-71. doi:10.52547/jwmr.11.21.59
URL: http://jwmr.sanru.ac.ir/article-1-965-fa.html
URL: http://jwmr.sanru.ac.ir/article-1-965-fa.html
عباسی عباس، خلیلی کیوان، بهمنش جواد، شیرزاد اکبر. مقایسه روش های شبکه های عصبی مصنوعی، شبکه بیزین و برنامه ریزی بیان ژن در پیش بینی خشکسالی (مطالعه موردی: ایستگاه سینوپتیک مراغه) پژوهشنامه مديريت حوزه آبخيز 1399; 11 (21) :71-59 10.52547/jwmr.11.21.59
دانشگاه ارومیه
چکیده: (2365 مشاهده)
خشکسالی جزء جدایی ناپذیر هر اقلیمی محسوب می گردد که تأثیرات مهمی بر بخش های مختلف جامعه دارد و سبب افزایش فشار بر منابع آبی می گردد. لذا پیش بینی وضعیت آتی آن می تواند به برنامه ریزان و تصمیم گیران در بخشهای مختلف کمک شایانی نماید. در این تحقیق جهت پیش ینی خشکسالی در مقیاسهای زمانی مختلف شاخص خشکسالی بارش و تبخیر تعرق استاندارد (SPEI) از 5 ورودی مختلف شامل مقادیر شاخص SPEI با تأخیرهای یک تا 5 ماهه استفاده و سپس از سه روش هوشمند شامل برنامه ریزی بیان ژن (GEP)، شبکه بیزین (BN) و شبکه عصبی مصنوعی (ANN) جهت پیش بینی مقادیر آتی استفاده گردید. نتایج نشان داد که هر سه روش در مقیاس زمانی کوتاه مدت شاخص SPEI از دقت مناسب برخوردار نمی باشند به طوری که بهترین عملکرد در مقیاس زمانی یک ماهه مربوط به مدل شبکه بیزین با ضریب همبستگی 142/0 و در مقیاس سه ماهه مربوط به روش ANN با ضریب همبستگی 704/0 می باشد. نتایج همچنین نشان داد که دقت پیش بینی مدل با افزایش مقیاس محاسبه SPEI رابطه مستقیم دارد و با افزایش مقیاس زمانی SPEI، دقت پیش بینی افزایش پیدا می کند. همچنین هر سه روش در مقیاسهای زمانی بلندمدت از عملکرد مناسبی برخوردار می باشند.
واژههای کلیدی: پیشبینی، خشکسالی، مراغه، مدل هوشمند، شاخص SPEI
واژههای کلیدی: پیشبینی، خشکسالی، مراغه، مدل هوشمند، شاخص SPEI
نوع مطالعه: پژوهشي |
موضوع مقاله:
بلايای طبيعی (سيل، خشکسالی و حرکت های توده ای)
دریافت: 1397/7/9 | ویرایش نهایی: 1399/6/14 | پذیرش: 1398/3/5 | انتشار: 1399/6/14
دریافت: 1397/7/9 | ویرایش نهایی: 1399/6/14 | پذیرش: 1398/3/5 | انتشار: 1399/6/14
فهرست منابع
1. Abramowitz, M., I.A. Stegun, and D. Miller. 1965. Handbook of mathematical functions with formulas, graphs and mathematical tables (National Bureau of Standards Applied Mathematics Series No. 55). 239-239. [DOI:10.1115/1.3625776]
2. Allen, R.G., L.S. Pereira, D. Raes and M. Smith. 1998. Crop evapotranspiration-Guidelines for computing crop water requirements-FAO Irrigation and drainage paper 56 FAO, Rome 300:D05109.
3. Da Silva, V.d.P.R. 2004. On climate variability in Northeast of Brazil. Journal of Arid Environments, 58(4): 575-596. [DOI:10.1016/j.jaridenv.2003.12.002]
4. Dastorani, M. and H. Afkhami. 2011. Application of artificial neural networks on drought prediction in Yazd (Central Iran). Desert, 16(1): 39-48.
5. Farmani, R., H.J. Henriksen, D. Savic and D. Butler. 2012. An evolutionary Bayesian belief network methodology for participatory decision making under uncertainty: An application to groundwater management. Integrated environmental assessment and management, 8(3): 456-461. [DOI:10.1002/ieam.192]
6. Ghorbani, M.A., J. Shiri and H. Kazemi. 2010. Estimation of maximum, mean and minimum mir temperature in Tabriz City using Artificial Intelligent methods. Water and Soil Science, 20(3): 84-107 (In Persian).
7. Habibipoor, H., M.T. Dastorani, M.R. Ekhtesasi and H. Afkhami. 2012. Evaluation of the Effects of Data range Modification on Efficiency of Regression Decision Tree and Artificial Neural Networks for Drought Prediction, Journal of Watershed Management Research, 2(3): 63-79 (In Persian).
8. Haykin, S. 1994. Neural Networks: A Comprehensive Foundation: Prentice Hall PTR.
9. Hosseini-Moghari, S.M. and S. Araghinejad. 2016. Application of Statistical, Fuzzy and Perceptron Neural Networks in Drought Forecasting (Case Study: Gonbad-e Kavous Station). Water and Soil (Agricultural Sciences and Technology), 30(1): 247-259 (In Persian).
10. Hosking, J.R. 2009. L-Moments Wiley StatsRef: Statistics Reference Online.
11. Kempes, C., O. Myers, D. Breshears and J. Ebersole. 2008. Comparing response of Pinus edulis tree-ring growth to five alternate moisture indices using historic meteorological data Journal of Arid Environments, 72(4): 350-357. [DOI:10.1016/j.jaridenv.2007.07.009]
12. Koza, J.R. and R. Poli. 2005. Genetic programming. In: Search Methodologies. Springer, pp: 127-164. [DOI:10.1007/0-387-28356-0_5]
13. Maca, P. and P. Pech. 2016. Forecasting SPEI and SPI drought indices using the integrated artificial neural networks. Computational Intelligence and Neuro science, 2016, 1-17. [DOI:10.1155/2016/3868519]
14. Madadgar, S. and H. Moradkhani. 2014. Spatio-temporal drought forecasting within Bayesian networks. Journal of Hydrology, 512: 134-146. [DOI:10.1016/j.jhydrol.2014.02.039]
15. Mehdizadeh, S., J. Behmanesh and H. Saadatnejad Gharahassanlou. 2016. Evaluation of gene expression programming and Bayesian networks methods in predicting daily air temperature. Journal of Agricultural Meteorology, 4(2): 1-13 (In Persian).
16. Miller, G.T. and S. Spoolman. 2012. Environmental science: Cengage Learning.
17. Mishra, A. and V. Desai. 2005. Drought forecasting using stochastic models. Stochastic Environmental Research and Risk Assessment, 19(5): 326-339. [DOI:10.1007/s00477-005-0238-4]
18. Mishra, A. and V. Desai. 2006. Drought forecasting using feed-forward recursive neural network. ecological modelling, 198(1-2): 127-138. [DOI:10.1016/j.ecolmodel.2006.04.017]
19. Morid, S., V. Smakhtin and K. Bagherzadeh. 2007. Drought forecasting using artificial neural networks and time series of drought indices. International Journal of Climatology, 27(15): 2103-2111. [DOI:10.1002/joc.1498]
20. Thornthwaite, C.W. 1948. An approach toward a rational classification of climate. Geographical Review, 38(1): 55-94. [DOI:10.2307/210739]
21. Vicente-Serrano, S.M., S. Begueria and J.I. Lopez-Moreno. 2010. A multi scalar drought index sensitive to global warming: the standardized precipitation evapotranspiration index. Journal of climate, 23(7): 1696-1718. [DOI:10.1175/2009JCLI2909.1]
22. Wilhite, D. A. 2000. Drought as a Natural Hazard: Concepts and Definitions, in Wilhite, D. (ed.), Drought: A Global Assessment, Routledge, London & New York, 1: 3-18.
23. Zabihi, M., R. Mostafazadeh and M. Sharari. 2017. Analysis of Wet and Dry Spells Intensity and Duration Using Precipitation-Based and Evapotranspiration Influenced Indices. Journal of Watershed Management Research, 8(15): 125-136 (In Persian). [DOI:10.29252/jwmr.8.15.125]
24. Zare Amini, F., M.A. Ghorbani and S. Darbandi. 2014. Evaluation of Genetic Programming in Estimation of Soil Temperature. Geographical Space, 47(4): 19-38 (In Persian).
25. Zanetti, S., E. Sousa, V. Oliveira, F.Almeida and S. Bernardo. 2007. Estimating evapotranspiration using artificial neural network and minimum climatological data. Journal of Irrigation and Drainage Engineering, 133(2): 83-89. [DOI:10.1061/(ASCE)0733-9437(2007)133:2(83)]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
