آمار

تعداد نشریات36
تعداد شماره‌ها1,192
تعداد مقالات8,579
تعداد مشاهده مقاله6,989,647
تعداد دریافت فایل اصل مقاله4,033,172
اصغری طاهرگورابی, خاطره, رجبی بهجت, امیر, دلاکی, هدایت الله. (1400). یش‌بینی بارش روزانه با استفاده از روش شبکه عصبی DeepESN و بر اساس داده‌های‌ ایستگاه‌های هواشناسی استان هرمزگان. پدافند الکترونیکی و سایبری, 2(1), 31-37.
خاطره اصغری طاهرگورابی; امیر رجبی بهجت; هدایت الله دلاکی. "یش‌بینی بارش روزانه با استفاده از روش شبکه عصبی DeepESN و بر اساس داده‌های‌ ایستگاه‌های هواشناسی استان هرمزگان". پدافند الکترونیکی و سایبری, 2, 1, 1400, 31-37.
اصغری طاهرگورابی, خاطره, رجبی بهجت, امیر, دلاکی, هدایت الله. (1400). 'یش‌بینی بارش روزانه با استفاده از روش شبکه عصبی DeepESN و بر اساس داده‌های‌ ایستگاه‌های هواشناسی استان هرمزگان', پدافند الکترونیکی و سایبری, 2(1), pp. 31-37.
اصغری طاهرگورابی, خاطره, رجبی بهجت, امیر, دلاکی, هدایت الله. یش‌بینی بارش روزانه با استفاده از روش شبکه عصبی DeepESN و بر اساس داده‌های‌ ایستگاه‌های هواشناسی استان هرمزگان. پدافند الکترونیکی و سایبری, 1400; 2(1): 31-37.

یش‌بینی بارش روزانه با استفاده از روش شبکه عصبی DeepESN و بر اساس داده‌های‌ ایستگاه‌های هواشناسی استان هرمزگان

مجله نوآوری های فناوری اطلاعات و ارتباطات کاربردی
دوره 2، شماره 1، آذر 1402، صفحه 31-37    اصل مقاله (491.47 K)
نوع مقاله: مقاله پژوهشی
نویسندگان
خاطره اصغری طاهرگورابی* 1؛ امیر رجبی بهجت2؛ هدایت الله دلاکی3
1دانشکده فنی و مهندسی ،گروه کامپیوتر ، واحد بندرعباس ، دانشگاه آزاد اسلامی بندرعباس، ایران
2دانشکده فنی و مهندسی، واحد رفسنجان، دانشگاه آزاد اسلامی، رفسنجان، ایران
3دانشکده فنی ومهندسی ، واحد بندرعباس ، دانشگاه آزاد اسلامی ، بندرعباس ، ایران.
تاریخ دریافت: 26 تیر 1400،  تاریخ بازنگری: 30 آذر 1400،  تاریخ پذیرش: 17 اسفند 1400 
چکیده
در این پژوهش دقت مدل پیش­بینی روزانه بارش توسط شبکه عصبی DeepESN و روش رگرسیون چندمتغیره خطی مورد مقایسه قرار گرفته است. در همین راستا داده­های واقعی بارش و همچنین دیگر پارامترهای تأثیرگذار بر آن را با فاصله زمانی روزانه مربوط به 30 سال گذشته از اداره تحقیقات هواشناسی استان هرمزگان دریافت و  از طریق هردو روش فوق مورد تحلیل و بررسی قرار گرفته­اند.  این داده­ها مربوط به شهرهای بندرعباس، قشم و میناب بوده و به جهت نزدیکی شرایط آب و هوایی این سه شهر، داده­ها قبل از ورود به شبکه عصبی و رگرسیون چندمتغیره، میانگین­سازی شده­اند. پیاده­سازی شبکه عصبی DeepESN در نرم‌افزار متلب و پیاده­سازی روش رگرسیون چندمتغیره خطی در نرم‌افزار SPSS صورت پذیرفته است. در پایان نتایج نشان داد که مدل پیش­بینی بارش روزانه  مربوط به شبکه عصبی DeepESN نسبت به رگرسیون چندمتغیره خطی دارای مدل پیش­بینی بهتری با استفاده از خروجی توابع ارزیابی بوده است.
کلیدواژه‌ها
پیش‌بینی بارش روزانه؛ شبکه عصبی DeepESN؛ رگرسیون چندمتغیره خطی؛ توابع ارزیابی؛ رگرسیون همبستگی
عنوان مقاله [English]
Daily rainfall forecasting with Deep ESN neural network based on experimental data from meteorological station in Hormozgan province
نویسندگان [English]
khatereh asghari tahergorabei1؛ amir rajabi behjat2؛ Hedayatollah Dallaki3
1engineering faculty, Computer group Bandar Abbas Branch, Islamic Azad University, Bandar Abbas, Iran.
2engineering faculty, ًRafsanjan Branch, Islamic Azad University, Rafsanjan, Iran.
3engineering faculty, Bandar Abbas Branch, Islamic Azad University, Bandar Abbas, Iran.
چکیده [English]
In this study, the accuracy of daily rain prediction by two methods including DeepESN neural network and Linear multivariate regression has been compared. For this reason, actual data for rain and other affective parameters by daily distance time and thirty years has been received from the Hormozgan climate organ and has been analyzed by two methods. This data is from Bandar Abbas, Minab, and Qeshm cities, and because of short distance of these cities before entering data to DeepESN neural network and linear multivariate regression has been averaged. Demodulation for DeepESN in Matlab and linear multivariate regression in SPSS has been done. At the end of processing, results show that the daily rain forecasting model in DeepESN neural network has higher accuracy compared with the model produced with linear multivariate regression and have received better results for the DeepESN forecasting model by using estimation functions.
کلیدواژه‌ها [English]
Keywords :Daily rainfall forecasting, DeepESN neural network, Linear multivariate regression, Estimation functions, Depending regression
مراجع
  • [1] Romeo, Francisco. Zamora, “Time-series Forecasting of Indoor Temperature Using Pre-trained Deep Neural Network", Springer, 2013.##
  • [2] Emilcy Juliana Hernandez, Victor Sanches Anguix, "Rainfall Prediction: A Deep Learning Approach", Research Gate, 2016.##
  • [3] Zhang, Akhil. Guliani, "Machine Learning-Based Temperature Prediction For Run-Time Thermal Management Across System Components", IEEE, 2016.##
  • [4] Cramer, Sam, "New Genetic Programming Methods for Rainfall Prediction of Kent”, 2017.##
  • [5] Dash, Saroj K. Mishra, Bijaya. K, Panigrahi, "Rainfall Prediction for the Kerala State of India Using Artificial Intelligence Approaches", Elsevier, 2018.##
  • [6] Du, Yayun. Liu, "Study of Precipitation Forecast Based on Deep Belief Networks", Algorithms, 2018.##
  • [7] Liu, Chao. Zhang, "Application of Temperature Prediction Based on Neural Network in Instruction Detection of  IoT", Wiley, 2018.##
  • [8] Lee, Chul-Gyum. Kim, "Application of Artificial Neural Networks to Rainfall Forecasting in the Geum River Basin Korea", Water, 2018.##
  • [9] Poornima and M. Pushpalatha, "Prediction of Rainfall Using Intensified LSTM Based Recurrent Neural Network With Weighted Linear Units", Atmosphere, 2019.##
  • Hadi Pour, Ahmad. Khairi Abd Wahab, "Physical-Empirical Models for Prediction Seasonal Rainfall Extreme of Peninsular Malaysia", Pre-proof, 2019.(In Persian)##
  • Yashwanth, Palla. Ratna Sai Kumar, "Comparative Study of Machine Learning Algorithms for Rainfall Prediction", Trend Scientific in Research and Development, 2019.##
  • Tran Anh, Thanh. Duc Dang, "Improved Rainfall Prediction Using Combined Pre-Processing Methods and Feed-Forward Neural Networks", Multidisciplinary Scientific Journal, 2019.##
  • Wang, Jie. Lu, Zheng. Yan, " Deep Uncertainly Quantification: A Machine Learning Approach For Weather Forecasting", Applied Data Science Track Paper, 2019.##
  • Meng-Hua. Yen, Ding-Wei. liu, Yi-Chia. Hsin, Chu-En Lin, Chii-Chang. Chen, "Application of the Deep Learning For the Prediction Rainfall in Southern Taiwan", Nature search, 2019.##
  • Yoanchao, Xu, "A Review of Machine  Learning  With Echo State Network ", 2020 .##
  • Habibi pour, Reza. Safari Shali, “Comperhensive Guid to survey Research”, Section 2, Page 29-30, 1395.(In Persian)
  • http://www.hormozganmet.ir/, 2020.##
آمار
تعداد مشاهده مقاله: 186
تعداد دریافت فایل اصل مقاله: 151