تعداد نشریات | 38 |
تعداد شمارهها | 1,252 |
تعداد مقالات | 9,075 |
تعداد مشاهده مقاله | 8,182,842 |
تعداد دریافت فایل اصل مقاله | 4,940,285 |
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 | ||
| ||
آمار تعداد مشاهده مقاله: 242 تعداد دریافت فایل اصل مقاله: 220 |