ترکیب روش استخراج مشخصه با ریزمقیاس نمایی آماری مبتنی بر ترکیب مدلهای هوش مصنوعی | ||
| نشریه مهندسی عمران امیرکبیر | ||
| مقاله 6، دوره 52، شماره 4، تیر 1399، صفحه 841-858 اصل مقاله (1.95 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22060/ceej.2018.14986.5806 | ||
| نویسندگان | ||
| زهرا رزاق زاده1؛ وحید نورانی* 2؛ نازنین بهفر2 | ||
| 1عمران، دانشکده عمران، دانشگاه تبریز، تبریز، ایران | ||
| 2مدیریت منابع آب، دانشکده عمران، دانشگاه تبریز، تبریز، ایران | ||
| چکیده | ||
| در این پژوهش از دو مدل گردش عمومی جو GCM) (ESM-BNU, ESM2-Can ))برای شبیهسازی بارش دوره آتی در شهر تبریز، استفاده شده است. مهمترین ضعف مدلهای GCM ،بزرگ بودن مقیاس مکانی متغیرهای اقلیمی شبیهسازی شده است که روشهای مختلف ریزمقیاس نمایی درصدد رفع این نقیصه میباشند. در این مطالعه برای ریزمقیاس نمودن متغیرهای اقلیمی مدلهای GCM ،از مدلهای هوش مصنوعی شبکه عصبی مصنوعی ( ANN )و نروفازی ( ANFIS ،)بهره گرفته شده است. بدون شک اصلیترین مرحله به هنگام استفاده از این مدل ها، انتخاب مناسب ترین ورودی از میان دادههای بسیار متعدد ارائه شده توسط GCM ها میباشد. بنابراین در این مطالعه برای انتخاب پارامترهای ورودی مؤثر از روش های درخت تصمیم و تابع اطلاعات مشترک ( MI )استفاده شده است. هم چنین روش ترکیب مدل برای کاهش عدم قطعیت در ریزمقیاس نمایی و افزایش دقت پیشبینی استفاده شده است. در این پژوهش مقایسه نتایج روشهای ریزمقیاس نمایی نشان داد که، مدل ترکیبی با موثرترین ورودیهای تعیین شده با درخت تصمیم نتایج مناسب تری ارائه میدهد. به طوریکه در هر دو مدل GCM ،بهکارگیری مدل ترکیبی با پیشبینی کنندههای مبتنی بر درخت تصمیم نسبت به مدلهای ANN و ANFIS در ریزمقیاس نمای سبب افزایش %38%-10 DC در مدلسازی بارش میگردد. پیشبینی بارش ایستگاه سینوپتیک تبریز با مدل ترکیبی نشان داد که بارش دوره آتی (2060-2020 ) تحت سناریوهای 5.RCP4 و 5.RCP8 تا %40 %-30 کاهش مییابد.. | ||
| کلیدواژهها | ||
| مدل گردش عمومی جو؛ شبکه عصبی مصنوعی؛ نروفازی؛ تابع اطلاعات مشترک؛ ریزمقیاس نمایی آماری | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 1,533 تعداد دریافت فایل اصل مقاله: 1,807 |
||