| ترکیب روش استخراج ویژگی‌های چندخطی با ریزمقیاس‌نمایی آماری مبتنی بر شبکه عصبی مصنوعی |
| کد مقاله : 1199-IWWA |
| نویسندگان |
|
زهرا رزاق زاده1، مسعود تابش *2، محسن ناصری3، فریبرز معصومی4 1پردیس دانشکده‌های فنی دانشگاه تهران، تهران، ایران 2- استاد دانشکده مهندسی عمران، پردیس دانشکده‌های فنی دانشگاه تهران، تهران، ایران 3دانشیار دانشکده مهندسی عمران، پردیس دانشکده‌های فنی دانشگاه تهران، تهران، ایران 4دانشیارگروه آموزشی مهندسی عمران دانشگاه محقق اردبیلی |
| چکیده مقاله |
| در این پژوهش، برای ریزمقیاس نمایی آماری و پیش‌بینی داده‌های بارش ودما از مدل هوش مصنوعی شبکه عصبی مصنوعی (ANN) استفاده شده است. این مدل برای تحلیل داده‌های بارش و دما به‌دست‌آمده از مدل‌های گردش عمومی جو (GCM) در ایستگاه سینوپتیک اردبیل به‌کار گرفته شده است. یکی از چالش‌های اصلی در ریزمقیاس‌سازی آماری مدل‌های GCM، انتخاب متغیرهای مهم از میان داده‌های اقلیمی با مقیاس بزرگ است. بنابراین در این مطالعه از ترکیب روش استخراج مشخصه k-means به همراه تابع اطلاعات مشترک برای انتخاب پارامترهای ورودی مؤثر برای مدل ریزمقیاس‌نمایی جهت پیش‌بینی بارش و دمای آینده، و مدیریت منابع آبی و شبکه‌های آب سطحی استفاده شده است. نتایج نشان داد که مدل ریزمقیاس نمایی با موثرترین ورودی‌های تعیین با ترکیب k-means به همراه تابع اطلاعات در مقایسه با استفاده تنها از تابع اطلاعات مشترک سبب افزایش 22% و 5% در شاخص NSE برای مدلسازی بارش و دما شد. پیش‌بینی بارش و دما دوره آتی (2055-2025) تحت سناریوهای SSP3-7.0 و SSP5-8.5 به کاهش 8% و 9% بارش و افزایش 22% و 33% در دما منجر شد که نشان‌دهنده تغییرات مهم در الگوهای بارش و نیاز به برنامه‌ریزی برای مدیریت منابع آب‌های سطحی در مواجهه با این تغییرات است. |
| کلیدواژه ها |
| شبکه عصبی مصنوعی، k-means، تابع اطلاعات مشترک، ریزمقیاس نمایی آماری |
| وضعیت: پذیرفته شده برای ارسال فایل های ارائه پوستر |
