دوره 8، شماره 3 - ( 9-1400 )                   جلد 8 شماره 3 صفحات 139-0 | برگشت به فهرست نسخه ها

XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Sharifipour L, ghanei-Bafghi M, kousari M R, Sharifipour S. Comparison of the effectiveness of four artificial intelligence methods in predicting drought. jsaeh. 2021; 8 (3)
URL: http://jsaeh.khu.ac.ir/article-1-3106-fa.html
شریفی‌پور لاله، قانعی بافقی محمد جواد، کوثری محمد رضا، شریفی‌پور ساسان. مقایسه کارآمدی چهار روش هوش مصنوعی در پیش بینی خشک سالی. تحلیل فضایی مخاطرات محیطی. 1400; 8 (3)

URL: http://jsaeh.khu.ac.ir/article-1-3106-fa.html


1- دانشگاه اردکان
2- دانشگاه اردکان ، mjghaneib@ardakan.ac.ir
3- پژوهشکده حفاظت خاک و آبخیزداری
4- دانشگاه صتعتی مالک اشتر
چکیده:   (969 مشاهده)
خشک‌سالی یک اختلال موقتی است که خصوصیات آن از منطقه­ای با منطقه دیگر متفاوت است، از این ‌رو نمی­توان تعریف جامع­ و مطلق برای خشک‌سالی بیان نمود.در تحقیق حاضر، به منظور معرفی یک روش مناسب جهت پیش­بینی خشکسالی برای یک ماه آتی، چهار روش هوش مصنوعی شامل یادگیری عمیق (Deeplearning) (از شبکه الکس­نت که یکی از شبکه­های کانولوشن می­باشد استفاده شده است)، الگوریتم K نزدیک­ترین همسایه (KNN)، ماشین برداد پشتیبان چند طبقه (SVM-MultiClass) و درخت تصمیم (Decision Tree) در نظر گرفته شد. داده­های بارندگی 11 ایستگاه سینوتیک استان یزد طی دوره ­آماری 29 ساله (1988 تا 2017) به صورت ماهانه به عنوان داده­های آزمایشی مورد استفاده قرار گرفتند. شاخص بارش استاندارد شده (SPI) برای نشان دادن وضعیت خشکسالی از نظر شدت و مدت در مقیاس­های زمانی 1، 3، 6، 9، 12 و 24 ماهه محاسبه گردید. در ابتدا داده­های بارش به عنوان ورودی شبکه­های عصبی و کلاس­بندی SPI  به عنوان خروجی شبکه­ها قرار داده شد. 80 درصد داده­ها برای آموزش و20 درصد داده­­ها برای تست شبکه­ها به کار گرفته شد. نتایج نشان داد که تمامی شبکه­ها توانایی پیش­بینی خشکسالی را داشته­اند، بر اساس معیار ارزیابی macro-f1 شبکه Deeplearning در مقیاس زمانی 1 ماهه با 71/22 درصد، ناکارآمدترین روش و  Decision Tree با 65/64 درصد، کارآمدترین روش بوده­اند، اما با افزایش مقیاس زمانی، شبکه Deeplearning عملکرد خود را بهبود بخشید، به­طوریکه در مقیاس زمانی 24 ماهه با 35/65 درصد، بهترین عملکرد مربوط به شبکه Deeplearning و بعد از آن، شبکه SVM-MultiClass با 40/57 درصد، قرار گرفت.
شماره‌ی مقاله: 156
     
نوع مطالعه: پژوهشي | موضوع مقاله: تخصصي
دریافت: 1398/11/28 | پذیرش: 1400/3/28 | انتشار: 1400/10/18

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

ارسال پیام به نویسنده مسئول


بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

کلیه حقوق این وب سایت متعلق به سامانه نشریات علمی می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2022 CC BY-NC 4.0 | Journal of Spatial Analysis Environmental hazarts

Designed & Developed by : Yektaweb