آمار
| تعداد نشریات | 50 |
| تعداد شماره‌ها | 2,046 |
| تعداد مقالات | 19,143 |
| تعداد مشاهده مقاله | 22,404,163 |
| تعداد دریافت فایل اصل مقاله | 20,920,580 |
پیش بینی دماهای حداکثر روزانه با استفاده از شبکه‌های عصبی مصنوعی(مطالعه موردی:کرمان) | ||
| جغرافیایی سرزمین | ||
| دوره 19، شماره 73، خرداد 1401، صفحه 109-120 اصل مقاله (645.04 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.30495/sarzamin.2022.35670.1604 | ||
| نویسندگان | ||
شکوفه امیدی قلعه محمدی  1؛ احمد مزیدی2؛ سودابه کریمی3؛ نجمه حسنی سعدی1؛ محبوبه امیدی قلعه محمدی4؛ حسن خراج پور5
| ||
| 1کارشناس ارشد اقلیم شناسی کاربردی، دانشگاه یزد، یزد ،ایران | ||
| 2دانشیار جغرافیای طبیعی و اقلیم شناسی، دانشگاه یزد، یزد، ایران | ||
| 3کارشناس ارشد اقلیم شناسی کاربردی، دانشگاه یزد،یزد، ایران | ||
| 4کارشناس ارشد اقلیم شناسی کاربردی، دانشگاه سیستان و بلوچستان،زاهدان، ایران | ||
| 5دانشجو دکتری آب وهواشناسی کشاورزی ، دانشگاه خوارزمی، تهران ، ایران | ||
| چکیده | ||
| با توجه به توانایی شبکه های عصبی مصنوعی در شبیه سازی فرایندهای بسیار پیچیده، از آن‌ها برای پیش بینی و محاسبه پارامترهای اقلیمی استفاده می‌شود. هدف این پژوهش نیز پیش بینی دمای حداکثر روزانه در استان کرمان می باشد. بدین منظور پارامترهای اقلیمی روزانه به عنوان ورودی شبکه های عصبی، و دمای حداکثر روزانه به عنوان خروجی شبکه، طی دوره آماری 24 ساله (2013-1989) مورد استفاده قرار گرفته است نتایج این تحقیق بعد از آزمون شبکه، نشان داد که. شبکه پرسپترون چند لایه با توجه به میزان خطا و همبستگی بین داده‌ها از دقت بیشتری برخوردار است وخطای کمتر و همبستگی بیشتری نسبت به خروجی مورد نظر (دمای حداکثر روزانه) را نشان می‌دهد. همچنین از بین پارامترهای اقلیمی استفاده شده دمای حداقل و میانگین دمای تر نسبت به دیگر پارامترهای اقلیمی ورودی شبکه عصبی پیش بینی دمای حداکثر روزانه را با خطای کم و همبستگی بیشتری نشان می دهند. | ||
| کلیدواژه‌ها | ||
| دماهای حداکثر روزانه؛ پیش‌بینی؛ شبکه های عصبی مصنوعی؛ کرمان | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 48 تعداد دریافت فایل اصل مقاله: 31 |
||
