|
|
|
|
عملکرد مدل های ar4 و atr در شبیه سازی پارامتر های اقلیمی با شبکه عصبی مصنوعی مطالعه موردی: حوزه آبخیز سزار
|
|
|
|
|
|
|
|
نویسنده
|
قدمی دهنو محمد ,گودرزی مسعود ,سلطانی سعید ,نادری سهراب ,کاکاپور وحید
|
|
منبع
|
علوم و مهندسي آبخيزداري ايران - 1397 - دوره : 12 - شماره : 42 - صفحه:1 -9
|
|
چکیده
|
در پژوهش حاضر عملکرد 6 مدل گردش عمومی جو به نام های hadcm3، cgcm3، csiromk3 (از مجموعه مدل های ar4) و cgcm1، gfdl30، ncarpcm (از مجموعه مدل های atr) در شبیه سازی پارامتر های اقلیمی دمای میانگین و بارش حوزه سزار با استفاده از شبکه عصبی مصنوعی (ann) مورد ارزیابی قرار گرفتند. برای آموزش شبکه عصبی مصنوعی از مدل پرسپترون forward استفاده شد. مطابق با ارزیابی عملکرد مدل ها با استفاده از ضرایب حداکثر خطای مطلق ، میانگین قدر مطلق خطا ، جذر میانگین مربعات و ضریب تبیین، در بین دو مجموعه مدل ar4 و atr، به طور میانگین مدل های ar4 عملکرد بهتری نسبت به مدل های atr دارند و این مدل ها عدم قطعیت کمتری در شبیه سازی پارامتر های اقلیمی دمای میانگین و بارش برای حوزه سزار در دوره 2000-1996 دارند. در بین 6 مدل ذکر شده ، مدل cgcm3 بهترین عملکرد را در شبیه سازی پارامتر های اقلیمی برای حوزه سزار دارد. این مدل همراه با hadcm3 کمترین اختلاف را با پارامتر های اقلیمی مشاهداتی دارند. همچنین نتایج نشان داد که مدل csiromk3.0 و cgcm1 بیشترین اختلاف را با پارامتر های اقلیمی مشاهداتی دارند.
|
|
کلیدواژه
|
عدم قطعیت، شبکه عصبی مصنوعی، مدل پرسپترون، ar4 و atr
|
|
آدرس
|
دانشگاه صنعتی اصفهان, ایران, پژوهشکده حفاظت خاک و آبخیزداری کشور, ایران, دانشگاه صنعتی اصفهان, دانشکده منابع طبیعی, ایران, دانشگاه صنعتی اصفهان, ایران, دانشگاه صنعتی اصفهان, ایران
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Performance of the AR4 and ATR Models in the Simulation of Climatic Parameters with Artificial Neural Network (Case Study: Watershed Cezar)
|
|
|
|
|
Authors
|
ghadami dehno mohammad ,Goodarzi Massoud ,Soltani Saeed ,naderi sohrab ,kakapor vahid
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|