40813892703

)علمي ـ پژوهشي انجمن جغرافياي ايران فصلنامه(جغرافيا

1389 زمستان، 27دوره جديد، سال هشتم، شماره

بيني ميانگين دماي ماهانه ايستگاه سينوپتيك سنندج با استفاده از مدلبيني ميانگين دماي ماهانه ايستگاه سينوپتيك سنندج با استفاده از مدلپيشپيش ))MMLLPP((ي عصبي مصنوعي پرسپترون چنداليه ي عصبي مصنوعي پرسپترون چنداليه شبكهشبكه

4زاده، زهرا حجازي3آزادي مباركي ، محمد2، سيد اسعد حسيني1فريبا اسفندياري درآباد

چكيدههاي مختلف مديريت بيني دما به عنوان يكي از مهمترين پارامترهاي اقليمي در حوزهپيش

ها، مطالعات زيست محيطي، خطر سيالب، كمبود مواد منابع آبي و طبيعي، خشكسالياي در تعيين ژه ها، حمل و نقل و غيره از اهميت ويغذايي، گسترش آفات و بيماري

ها، كنترل و جلوگيري از سازي اين منابع و صرف هزينههاي آينده جهت بهينهسياستيكي از ) MLP(مدل پرسپترون چنداليه . بحران و استفاده از منابع برخوردار است

هاي هوش مصنوعي در زمينه هاي عصبي مصنوعي از مؤلفههاي شبكهپركاربردترين مدلتواند بدون در نظر گرفتن معادالت پيچيده اقليمي است كه مي بيني عناصر جوي وپيش

در . بيني كندغيرخطي، ديناميك حاكم بر سيستم را استخراج نموده و خروجي مدل را پيشاين پژوهش، با استفاده از اطالعات ميانگين دماي ماهانه ايستگاه سينوپتيك سنندج در

هاي شبكه پرسپترون نوان ورودي، به ع)1964-2001( ساله 38طول دوره آماري به منظور تعيين ميزان ) 2002-2005(هاي چنداليه، ميانگين دماي ماهانه در طي سال

بدين منظور از امكانات و توابع موجود در محيط برنامه نويسي . بيني شدخطاي مدل، پيش

استاديار گروه جغرافياي طبيعي، دانشگاه محقق اردبيلي. 1 كارشناس ارشد اقليم شناسي، دانشگاه محقق اردبيلي. 2 كارشناس ارشد اقليم شناسي، دانشگاه محقق اردبيلي. 3 استاد گروه جغرافياي طبيعي، دانشگاه تربيت معلم. 4

Archive of SID

www.SID.ir

) فصلنامه علمي ـ پژوهشي انجمن جغرافياي ايران(جغرافيا 46

ارهاي سپس به ارزيابي عملكرد مدل، از طريق معي. ، بهره گرفته شدMATLABنرم افزار بيني آماري از جمله روابط رگرسيوني و ضريب همبستگي بين مقادير مشاهداتي و پيش

نتايج بدست آمده نشان . ي دما و همچنين ميانگين درصد خطاي نسبي پرداخته شدشدهبيني دما هاي عصبي مصنوعي در پيشي كارآيي مناسب و دقت قابل قبول شبكهدهندهو ميانگين درصد خطاي مدل برابر با 99/0همبستگي برابر با به طوري كه ضريب . باشدمييعني شبكه، دما را با اختالف كمتر از يك درجه سلسيوس با دماي . درصد است 97/1

هاي دمايي را توان وضعيترو با استفاده از اين روش ميبيني كرده است از اينواقعي پيش . يعي دخالت داداز قبل تعريف نمود و در مديريت منابع آبي و طب

) MLP(بيني دما، سنندج، مدل پرسپترون چنداليه پيش: كليدواژگان

Archive of SID

www.SID.ir

47 بيني ميانگين دماي ماهانه ايستگاه سينوپتيك سنندج پيش

مقدمهاي به هاي اخير، دانشمندان به منظور تجزيه و تحليل الگوهاي اقليمي توجه ويژهطي سال

دما در كنار بارش از مهمترين عناصر اقليمي محسوب . دارندهاي دمايي معطوف ميسريدر تعيين نقش و پراكندگي ديگر عناصر اقليمي نيز مؤثر است، همچنين دما از گردد كه مي

گردد و بر اين اساس بندي اقليمي محسوب ميبندي و طبقهعوامل اصلي و اساسي در پهنهنوسانات و تغييرپذيري دما داراي اهميت زيادي است كه عوامل اقليمي و جغرافياي زيادي

ت باد، ارتفاع، دوري و نزديكي به دريا و غيره در تغييرات آن از قبيل رطوبت، ابرناكي،سرعي زمين يا گرمايش جهاني به عنوان مهمترين دار دماي كرهتغييرات معني. نقش دارند

بسياري از معضالت . هاي تغيير اقليم در قرن حاضر مورد توجه قرارگرفته استنمودر بيش از حد حشرات موذي و محيطي عصر ما از جمله سيل، طوفان، خشكسالي، تكثي

ي مصونيت آنها در برابر سموم و مسايلي از اين دست، جملگي ريشه در تغيير اقليم كرهبيني عناصر اقليمي، لذا پيش). 1383خورشيددوست، (زمين خصوصاً افزايش دما دارند يزان قرار رريزي و ارائه تمهيدات الزم در اختيار برنامهقطعاً فرصت بيشتري را جهت برنامه

امروز با پيشرفت . هاي رگرسيوني هستندبيني، مدلپيش هاي قديمي در زمينهدهد مدلميشود هاي هوشمند در علوم مختلف، ضرورت جانشيني آن مطرح ميعلوم و ابداع روشهاي عصبي مصنوعي هستند كه توانايي زيادي در هاي هوشمند، شبكهيكي از اين روش

ها با استفاده از مجموعه اين شبكه. عناصر جوي و اقليمي دارندبيني سازي و پيشمدلبينند، به نحوي ورودي و خروجي، روابط بين آنها را تخمين زده و اصطالحاً آموزش مي

كه پس از آن به ازاي يك عضو جديد از مجموعه ورودي، خروجي متناظر آن را تقريب هاي عصبي اربردترين مدل شبكهيكي از پرك). 1385كارآموز و همكاران، (زنند مي

بيني ميانگين دماي مصنوعي، مدل پرسپترون چنداليه است كه در اين پژوهش جهت پيشميالدي جهت 2005تا دسامبر 2002ماهانه ايستگاه سينوپتيك سنندج از ژانويه سال

1جين .گرددهاي مشاهده شده و محاسباتي استفاده ميمحاسبه خطاي شبكه و مقايسه داده

1.Jain

Archive of SID

www.SID.ir


با هدف توسعه يك سيستم براي هشدار درباره يخبندان، جهت كاهش خسارات ) 2003(هاي عصبي توليدات كشاورزي، دماي هوا را در منطقه جنوب جورجيا با استفاده از شبكه

از ) 2008(1رحمان و همكاران. بيني كردمصنوعي براي يك تا دوازده ساعت آينده پيشعربستان سعودي استفاده 2ابش خورشيدي در شهر اَبهايهاي عصبي جهت برآورد تشبكه

هاي عصبي قادرند تابش خورشيدي را از دما كردند نتايج به دست آمده نشان داد كه شبكههاي عصبي با استفاده شبكه) 2009( 3سنكال و همكاران. و رطوبت نسبي برآورد كنند

تركيه برآورد كردند آنها از اي، تابش خورشيد را در كشورهاي ماهوارهمصنوعي و دادهو تابع انتقال تانژانت ) SCG(، شيب توأم )RP(هاي يادگيري انتشار بهبودپذير الگوريتم

سيگموئيدي در شبكه عصبي استفاده كردند و اين مدل را براي برآورد تابش خورشيدي يه به با استفاده از شبكه عصبي پرسپترون چندال) 1376(سگوندي . در تركيه معرفي كردند

- 1987(ساله 30بيني عناصر مختلف جوي ايستگاه اهواز در طول دوره آماري پيشبيني و واقعي براي عناصر مختلف هاي پيشپرداخت و ضرايب همبستگي بين داده) 1957با استفاده از مدل آريما، ) 1382(جهانبخش و باباپور . بدست آورد 96/0الي 91/0را با

. بيني كردندپيش 2010تا سال % 95ستگاه تبريز را با سطح اطمينان ميانگين دماي ماهانه ايهاي هاي رگرسيون خطي و شبكهبا استفاده از روش) 1384(رحيمي عليجاني و قويدل

هاي دمايي عصبي مصنوعي به مقايسه و پيش بيني تغييرات دماي ساالنه تبريز با ناهنجاريپرداختند و نشان دادند كه ) 1951 -2003(ساله 54ي آماري ي زمين در طول دورهكره-هاي خطي و نيمه خطي عمل ميتر از مدلبسيار قوي) ANNs(هاي غيرخطي مدل

هاي هوايي ناشي از مكانيابي نامناسب مراكز به تحليل آلودگي) 1385(رحيمي . كننداد كه هاي عصبي مصنوعي پرداخت و نشان دصنعتي در شهر تبريز با استفاده از شبكه

.دهدها نتايج بهتري به دست ميهاي عصبي مصنوعي پرسپترون نسبت به ساير روششبكه

1.Rehman et al 2 .Abha City 3 .Senkal et al

Archive of SID

www.SID.ir


ي سد شهيد مدني تبريز را بر اساس تأثير عناصر ي درياچهورودي ماهانه) 1386(چوبدار . بيني كرد نتايج حاكي از موفقيت اين روش بودهاي عصبي پيشاقليمي با استفاده از شبكه

هاي عصبي مصنوعي و فرمول تجربي ارائه شده از شبكه) 1387(و همكاران اصغري مقدم بيني بارش دشت تبريز استفاده هاي مياني جهت تهيه مدل پيشبراي تعيين تعداد گره

كردند بر اساس نتايج بدست آمده، بهترين مدل از يك شبكه پيشرو با شش گره ورودي، .ماركوارت تشكيل شده است -لونبرگيك گره خروجي، يك اليه مياني و الگوريتم

منطقه مورد مطالعه و ويژگيهاي دمائي آن

و شماليعرض دقيقه 20و درجه 35كيلومتر مربع در 2906شهرستان سنندج با مساحت جزو مناطق قرار گرفته كه از سطح دريا يمتر 1538ارتفاع شرق در درجه طول 47

. آيدهاي سرد به شمار ميمعتدل و زمستانهاي كوهستاني با خصوصيات اقليمي تابستانمرتفع آن جزء نقاط هايهاي كم ارتفاع اين منطقه جزء نقاط گرمسيري و قسمتقسمت

اين شهرستان جزو مناطق كوهستاني غرب و جنوب غربي زاگرس است. نسبتاً سرد استپتيك آورده شده است جهت انجام پژوهش از ايستگاه سينو) 1(كه موقعيت آن در شكل

ميانگين دماي ساالنه . آورده شده است) 1(سنندج استفاده شد كه مشخصات آن در جدول و 3/11درجه سانتيگراد است كه ضريب تغييرپذيري آن با حداقل 4/13در اين ايستگاه

درجه سانتيگراد در دوره آماري 7/3درجه سانتيگراد در سال به ميزان 15حداكثر آورده شده است ) 2(ميانگين دماي ماهانه ايستگاه در شكل . ستبوده ا 2005-1964

ژوئن با صفر و ماه جوالي حداقل و حداكثر ميانگين دماي ماهانه به ترتيب مربوط به ماه روند تغييرات ميانگين دماي ساالنه در دوره آماري . درجه سانتيگراد بوده است 1/27با

آورده ) 3(نوميال مرتبه ششم در شكل ي و پوليمورد نظر نيز با استفاده از رگرسيون خطو 17نوميال به ترتيب برابر با شده است كه روند آن با استفاده از رگرسيون خطي و پولي

- نتايج مربوط به رگرسيون خطي و پولي. (درصد كه روند افزايشي تقريباً تندي است 38

). آورده شده است) 3(نوميال نيز در داخل شكل

Archive of SID

www.SID.ir


يت شهرستان سنندج در استان كردستانموقع:1كلش

مشخصات جغرافيايي ايستگاه سينوپتيك سنندج :1جدول دوره آماري ارتفاع به متر عرض جغرافيايي طول جغرافيايي نوع ايستگاه 1964-2005 4/1373 35' 20" 47 ' 00" سينوپتيك

)1964-2005(ره آماري ميانگين دماي ماهانه ايستگاه سينوپتيك سنندج در دو: 2شكل

1.7

6.8

12.1

16.9

22.521.1

15.1

8.4

3.2

26.527.1

0.0

0

5

10

15

20

25

30

JAN

FEBM

ARAPR

MAY

JUNE

JULY

AUGSEP

OCT

NOVDEC

زمان (ماه)

(Cا( دم

ن گييانم

Archive of SID

www.SID.ir


)1964- 2005(روند تغييرات ميانگين دماي ساالنه ايستگاه سينوپتيك سنندج در دوره آماري : 3شكل

1هاي عصبي مصنوعيشبكهاند اي به نام نرون تشكيل شدههايي شامل اجزاي سادههاي عصبي از يك سري اليهشبكه

ورودي نشان Rيك نرون ساده با )4(در شكلكنند مي كه به صورت موازي باهم عمل-دار شده و جمع وروديوزن، W هر بردار ورودي با انتخاب مناسب وزن است داده شده

، 3دموث و همكاران( ددهنرا تشكيل مي F، ورودي تابع محرك 2باياس دار باهاي وزنهاي مياني ، اليه4روديساختار عادي يك شبكه عصبي مصنوعي، معموالً از اليه و .)2000

اليه ورودي يك اليه انتقال دهنده و . ، و اليه خروجي تشكيل شده است5يا مخفيبيني آخرين اليه يا اليه خروجي شامل مقادير پيش. هاستاي براي تهيه كردن داده وسيله

اليه مياني يا مخفي . كندباشد و بنابراين خروجي مدل را معرفي ميشده بوسيله شبكه مي

1. Artificial Neural Networks(ANNs) 2 . Bias 3 . Demuth et al 4 . Input Layer 5 . Hidden Layer

y = 0.0316x + 12.712

R2 = 0.1698 y = -1E-07x6 + 2E-05x5 - 0.0008x4 + 0.019x3 - 0.2313x2 + 1.2198x + 11.342

R2 = 0.3771

11

12

12

13

13

14

14

15

15

16

1964

1966

1968

1970

1972

1974

1976

1978

1980

1982

1984

1986

1988

1990

1992

1994

1996

1998

2000

2002

2004

زمان (سال)

(C ) ما دنگييانم

Archive of SID

www.SID.ir


ها و شمار شمار اليه. هاستاند، محل پردازش دادههاي پردازشگر تشكيل شدهكه از نرونشود ها در هر اليه مخفي به طور معمول به وسيله روش آزمون و خطا مشخص مينرونبه طور كلي . هاي مجاور در شبكه به طور كامل با هم در ارتباط هستندهاي اليهنرونتقسيم ) RNN(و پسخور 1 )FFN(هاي پيشخور شبكه هاي عصبي به دو نوعشبكههاي پسخور، حداقل يك سيگنال برگشتي از شوند تفاوت آنها در اين است كه در شبكه مي

در بيشتر موارد، . هاي همان اليه و يا اليه قبل وجود دارديك نرون به همان نرون يا نروندرصد 80د ولي با اين حال، در توانند بسيار مفيد واقع شونهاي عصبي پسخور ميشبكه

).1384منهاج، (شود استفاده مي) 5شكل (هاي عصبي پيشخور كاربردها از شبكه

) 2000دموث و بيل، (مدل نرون : 4شكل

) 2000دموث و بيل، (ه شبكه پيشخور دو الي: 5 شكل

1 . Feed Forward Network

Archive of SID

www.SID.ir

53

كه يكي ازعناصر اقليمي اليه به تماممرتبط گويندر به نگهداري

هاي شبكهييز آن به منظور

در اين). 138بيني ول پيش

دماي ماهانه

نرون 2في و

1.Multi Laye

خور هستندبيني ع و پيش

نرون در هرمالً مهاي كاه

صبي بايد قادروجه به توانايبي، استفاده از

88حسيني، (خور در مسائلبيني ميانگين

ر هر اليه مخف

138(

er Perceptron

دج

عصبي پيشخسازي در مدل

چنداليه هرهايي، شبكهكه

وي، شبكه عص دليل و با تووع شبكه عصب شده است

چند اليه پيشخها براي پيش

چهار نرون در .دهدن مي

88حسيني، (يه

n

سينوپتيك سنند

M(1 هايوع شبكه

صبي مصنوعيي پرسپترون

به چنين شبكورد عناصر جوشد به همين

ي زياد اين نوعگذشته توصيهي پرسپترونهز اين شبكه

. ه استاليه مخفي وخروجي را نشا

سپترون چندالي

هانه ايستگاه س

MLP(د اليه

نوعاز چنداليههاي عصشبكه

هايدر شبكه .باشدصل ميي برآو مسئله

ي گذشته باشزش و يادگيرير تحقيقات گهاياربرد شبكه

عميم نتايج، ااستفاده شده ج

سپترون با دو الرون در اليه خ

شبكه پرس: 6كل

يانگين دماي ما

پرسپترون چند پرسپترون چ

هاي شين مدل).1388سيني،

اليه قبل متصدر مورد) 138

هايبانيو ديدهو قابليت آموزصر جوي در با توجه به كاي آنها در تعنوپتيك سنندجيك شبكه پرسودي و يك نر

شك

بيني ميپيش

هاي پشبكههايشبكه

پركاربردتريحس(است هاي النرون

84منهاج، (اطالعات وپرسپترون و

رآورد عناصببررسي نيزقابليت باالايستگاه سين

ي) 6(شكل در اليه ورو

Archive of SID

www.SID.ir


موارد زير Matlabجهت اجراي دقيق شبكه پرسپترون چنداليه در محيط برنامه نويسي :بعنوان اصول كلي اجرا در نظر گرفته شد

هاي ورودي و خروجي شبكهداده

هاي مربوط به ميانگين دماي ماهانه از وب سايت سازمان هواشناسي در مرحله اول دادهاليه ورودي شبكه . گرديدها بندي دادهپردازي، محاسبه و ماتريستهيه و سپس اقدام به داده

ماه قبل و خروجي شبكه را نيز يك نرون شامل 5شامل اطالعات ميانگين دماي نرون 5را داده 456، )1964-2005(داده موجود 504از .دهددماي ماه ششم تشكيل مي ميانگين

اي طراحي براي آموزش شبكه و مابقي در مرحله آزمون شبكه به كار رفتند شبكه به گونهين دماي ماهانه در پنج ماه از سال، ميانگين دماي ماه بعد توان با ورود ميانگگرديد كه مي

داده 456درصد برآورد كرد چرا كه شبكه بر اساس 5همان سال را با خطاي كمتر از براي ) هر ماه يك شبكه(شبكه 12در مجموع . آموزش ديده است) 2001-1964(

- 2005(وره آماري بيني ميانگين دماي ماهانه ايستگاه سينوپتيك سنندج در طي د پيش .داده باقيمانده براي آزمون شبكه، طراحي گرديد 48يا ) 2002

هانرماليزه نمودن داده

شود از اين رو ها به صورت خام باعث كاهش سرعت و دقت شبكه ميوارد كردن دادهها از در اين بررسي براي نرماليزه كردن داده. هاي ورودي به شبكه بايستي نرمال شوددادهنمايد استاندارد مي 9/0و 1/0ها را بين استفاده شده است كه ورودي) 1(بطه راهاي شبكه را با معكوس توان خروجيدر نهايت مي). 1999، 1ساجيكومار و همكاران(

.نمودن الگوريتم استانداردسازي، به حالت اوليه برگرداند

1 - Sajikumar et al

Archive of SID

www.SID.ir


هاي پنهان تعداد اليهتواند ن بايد كم باشد ثابت شده است كه هر تابع ميهاي پنهان تا حد امكاتعداد اليه

شود ابتدا شبكه با يك اليه پنهان آموزش داده مي. حداكثر با سه اليه پنهان تقريب زده شود .هاي پنهان افزايش خواهد يافتكه در صورت عملكرد نامناسب، تعداد اليه

هاي اليه پنهانتعداد نرونآيد براي يك شبكه عصبي با يمور تجربي بدست طبه اًعموم مخفي ييك اليه هانداز

ها تعداد ورودي به كوچكي ازسيك نسبت بالن اي بخفهاي منونرل تعداد عقواندازه مهاي اليه نونرگردد تعداد نبه جواب مطلوب همگرا MLPبكه شاگر . گردديمخاب تان

يم خوبي هم رديد و از قدرت تعمگبكه همگرا شد و اگر ندهيمش يرا افزا مخفيمورد آزمايش قرار ي كمتري رافهاي مخنونرتعداد نت امكاروصبرخوردار بود در

).1384منهاج، (دهند مي

توابع محرككه از .توانند از توابع محرك متفاوتي جهت توليد خروجي استفاده كنندها مينرونگموئيدي و تابع محرك توان به توابع لگاريتم سيگموئيدي، تانژانت سيترين آنها مي رايج

با توجه به مسأله مورد بررسي و تحقيقات ). 2000دموث و همكاران، (خطي اشاره كرد گردد كه اين توابع كاربرد شناسي صورت گرفته، مشخص ميگذشته كه در زمينه اقليم

).7شكل (فراواني در زمينه مورد بررسي داشته و دارند

)MLP(اي پرسپترون چند اليه هتوابع محرك رايج در شبكه: 7شكل

Archive of SID

www.SID.ir


هاي پرسپترون چند اليههاي آموزش در شبكهروشهاي عصبي چهار الگوريتم آموزشي مرسوم كه بر اساس ساختار جهت آموزش شبكه

پس انتشار خطاي : ها عبارتند ازباشند وجود دارد اين روشمعروف پرسپترون چند اليه مي -، گراديان مزدوج، شبه نيوتن و ماركوارت)تانداردپس انتشار خطاي اس(بيشترين شيب

ترين روش تا به امروز به عنوان سريع 1993لونبرگ ازسال - الگوريتم ماركوارت. لونبرگدر اين بررسي نيز در اين ) 1383اصالح، (هاي عصبي شناخته شده است آموزش شبكه

.پزوهش از اين الگوريتم استفاده خواهد شد

1يكلتعداد تكرار يا سطالح صا در ددنمل ارائه الگوها به دست آمترهاي شبكه پس از يك دوره كامارزماني كه پا

تعداد تكرارهاي شبكه برابر گوينديا يك سيكل مي )Epoch(ك به اين نوع تكرار، اپو 240كه در اين بررسي براي هر شبكه .)1384منهاج، ( دشبامي هاي يادگيريتعداد داده

.ه شددور در نظر گرفت

ارزيابي عملكرد شبكهبراي . ها، به ارزيابي عملكرد آنها پرداخته شددر پايان جهت بررسي و آزمون اعتبار شبكه

:ارزيابي عملكرد شبكه، از سه روش زير استفاده گرديدنحوه ) 2(باشد رابطه معياري بدون بعد و بهترين مقدار آن برابر يك مي: ضريب تبيين -1

):1387كردار و همكاران، صداقت(دهد ان ميمحاسبه آن را نش

1.Epoch

Archive of SID

www.SID.ir


)2 (

K

KKK

K

KKK

YX

YXR

1

22

12

.باشدها ميتعداد داده Kمقادير برآورد شده و KYمقادير مشاهداتي، KXدر اين رابطه

:نهايت تغيير كندتواند از صفر در عملكرد عالي تا بيكه مي :درصد خطاي نسبي)3 (

100

i

iii Obs

ForObsError

به ترتيب مقادير مشاهداتي و پيش iForو iObsخطاي مدل، iErrorدر رابطه فوق

.باشدهاي مشاهداتي ميتعداد كل داده nبيني شده و هاي بيني شده مدل و دادهبيان كننده ميزان همبستگي بين نتايج پيش :ضريب همبستگي

شود بديهي است كه هر چه مقدار آن به محاسبه مي) 4(كه بر اساس رابطه باشدواقعي ميتر باشد، نشان دهنده نزديكي بيشتر مقادير پيش بيني شده به مقادير واقعي يك نزديك

):1385خليلي و همكاران، (است )4 (

n

iestestactact

n

iestestactact

yyyy

yyyyR

1

22

1

)()(

))((

مقادير برآورد شده، : estyميانگين مقادير واقعي، : actyمقادير واقعي، : actyكه در آن، esty باشدميانگين مقادير برآورد شده مي.

Archive of SID

www.SID.ir


.ده استآورده ش) 7(مراحل انجام پژوهش به طور خالصه در شكل

فلوچارت مراحل انجام پژوهش براي تعيين بهترين ساختار شبكه عصبي: 8شكل

Archive of SID

www.SID.ir


نتايج و بحث بيني ميانگين دماي ماهانه شهرستان سنندج، پس از تعيين موقعيت و به منظور پيش

. هاي دمايي منطقه مورد مطالعه، ايستگاه سينوپتيك سنندج بعنوان مرجع قرار گرفت ژگي ويهاي شبكه پس از سعي و خطاي فراوان، در نهايت ساختاري با عيين بهترين وروديجهت ت

ماه قبل جهت پيش بيني دماي ماه بعد انتخاب گرديد كه در اين 5استفاده از ميانگين دماي اين كار در . بيني شده نشان دادهاي مشاهداتي و پيشحالت بهترين همبستگي را بين داده

صورت گرفت سپس نمودارهاي مربوطه در MATLABم افزار محيط برنامه نويسي نربيني ميانگين دماي خالصه نتايج پارامترهاي بهينه جهت پيش. ترسيم گرديد Excelمحيط

همانطور كه مالحظه . آورده شده است) 2(ماهانه با استفاده از شبكه پرسپترون در جدول ن به هدف مورد نظر يعني خطاي زير پنج نرون در اليه پنها 4تا 2ها با شود تمامي شبكهمي

، براي هر ماه اند الزم به ذكر است كه در اين پژوهش جهت دقت باالي شبكهدرصد رسيدهكمترين تعداد . شبكه، طراحي گرديد 12درصد يعني در مجموع 5يك شبكه با خطاي زير

هاي سپتامبر بوط به ماهها مرهاي مارس و جوالي و بيشترين تعداد نرونها مربوط به ماهنرون. اندنرون در اليه پنهان به هدف مورد نظر رسيده 3ها هر كدام با و دسامبر است بقيه ماه

هاي پنهان ها با يك اليه پنهان به جواب رسيدند و نياز به افزايش تعداد اليهتمامي شبكها تابع محرك تانژانت ها ببقيه شبكه) لگاريتم سيگموئيدي(نگرديد همچنين به غير ماه مارس

كمترين و بيشترين ميزان همبستگي بين .اندسيگموئيدي به جواب مطلوب همگرا گرديدهها، به ترتيب مربوط به هاي مشاهده شده و پيش بيني شده در مرحله آموزش شبكهدادهز و بيشترين و كمترين خطا در مرحله آزمون ني 967/0و ژانويه با 811/0هاي اكتبر با ماه

).2جدول (درصد است 59/0و 84/3هاي فوريه و ژوئن با مربوط به ماه

Archive of SID

www.SID.ir


هاي پرسپترون چند اليه جهت برآورد ميانگين دماپارامترهاي آموزشي بهينه براي شبكه :2جدول

جهت تعيين ميزان ) 2002-2005(ماه 48بيني ميانگين دماي ماهانه براي پس از پيش بيني شده به وسيله مدل شبكه پرسپترون چندمشاهداتي و پيشهاي ها، دادهخطاي مدل

گردد به دليل دقت با همديگر مقايسه شدند همانطور كه مالحظه مي) 9(اليه، در شكل بيني شده كامالً همپوشاني دارند هاي مشاهداتي و پيشهاي دادهبيني، منحنيشبكه در پيشبيني ميانگين دماي ماهانه در اين ا در پيشهدهنده كارايي مناسب اين شبكه كه اين نشان

بيني شده برابر با هاي مشاهداتي و پيشهمچنين ضريب تبيين بين داده. پژوهش بوده است .نمودار و معادله رگرسيوني مربوط به آن آورده شده است) 10(است كه در شكل 99/0

Archive of SID

www.SID.ir


هاي مختلفده در ماهبيني شنمودار مقادير ميانگين دماي مشاهده شده و پيش: 9شكل

بيني شدهبين مقادير ميانگين دماي مشاهده شده و پيش معادله رگرسيونينمودار : 10شكل

كمترين و بيشترين ميزان خطا به . درصد است 97/1ها برابر با ميانگين كل خطاي شبكه 5با 2005فوريه و) تقريباً بدون خطا(درصد 02/0با 2004ترتيب مربوط به جوالي

درصد، به ترتيب 64/1و 44/2با 2004و 2003هاي درصد خطا است همچنين سالهاي در واقع حداكثر اختالف بين داده). 3جدول (كمترين خطا بودند داراي بيشترين و

است و 2004درجه سانتيگراد است كه مربوط به سپتامبر 1بيني شده مشاهده شده و پيشبيني كنند درجه سانتيگراد پيش 1توانستند دماي ماهانه را با اختالف كمتر از ها بقيه شبكه

.هاي طراحي شده استكه نمايانگر دقت باالي شبكه

0

5

10

15

20

25

30

35

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48

ماه ( 2005- 2002)

( Cما ( ن د

گيميان

داده هاي مشاهده شده داده هاي پيش بيني شده

y = 0.9893x + 0.0386

R2 = 0.9986

0

5

10

15

20

25

30

0 5 10 15 20 25 30مقادير مشاهده شده

دهش

ي ينش ب

ي

Archive of SID

www.SID.ir


ها بر حسب ماه و سالميانگين خطاي شبكه :3جدول

Year Month 2002 2003 2004 2005 Mean Error

Jan 0.18 1.69 2.62 1.88 1.59

Feb 4.84 4.19 1.32 5.00 3.84

Mar 0.85 3.88 2.34 3.47 2.64

Apr 0.22 4.89 3.07 1.39 2.39

May 0.94 2.23 1.76 2.70 1.91

Jun 0.65 1.07 0.20 0.43 0.59

July 1.27 2.26 0.02 2.27 1.46

Aug 0.70 2.30 0.45 0.71 1.04

Sep 4.46 1.21 4.47 2.54 3.17

Oct 4.12 3.71 1.30 2.11 2.81

Nov 2.31 0.75 0.58 0.57 1.05

Dec 1.32 1.04 1.58 0.47 1.10

Mean Error 1.82 2.44 1.64 1.96 1.97

آورد شده است همان طور كه مشاهده مي ) 4(نتايج ارزيابي عملكرد شبكه نيز در جدول

و ضريب تبيين 99/0بيني شده برابر با هاي مشاهده شده و پيششود همبستگي بين دادهدار گشته است و با توجه به اينكه مشابه كه ضريب همبستگي در سطح يك درصد معني

بيني شده به مقادير واقعي و ميانگين دماي ماهانه پيشاست 97/1ميانگين خطاي شبكه طراحي شده داراي عملكرد مناسبي توان اظهار داشت كه شبكهمي) 9شكل(نزديك است

. است

ارزيابي عملكرد شبكه پرسپترون چنداليه :4جدول Error R2 R پارامترهاي عملكرد شبكه

999/0 998/0 97/1 مدل شبكه پرسپترون چنداليه

توان اظهار داشت كه استفاده از روش در نهايت با توجه به نتايج تحقيق و ارزيابي مدل ميبيني ميانگين شبكه عصبي مصنوعي پرسپترون چنداليه به عنوان روشي غيرخطي در پيش

Archive of SID

www.SID.ir


اي سودمند مورد تواند به عنوان گزينهدماي ماهانه با توجه به تعيين خطاي آموزشي ميهاي آتي و افزايش اطالعات گيرد كه طبيعتاً با گذشت زمان در سال توجه و بررسي قرار

هاي فصلي، ساالنه و بلند بينيدر دسترس، دقت اين روش نيز افزايش يافته و براي پيشبرداري از منابع آب، توان در بهره كه از نتايج آن مي. مدت نيز كاربرد خواهد داشت

.ها، حمل و نقل و غيره استفاده نمودخشكسالي، هامطالعات زيست محيطي، تغيير اقليم

Archive of SID

www.SID.ir


منابعسازي بارش دشت تبريز با استفاده از مدل. 1387. ، نديري، ع.، نوراني، و.مقدم، الفاصغري .1

.1- 15، ص 1، ش 18مجله دانش كشاورزي دانشگاه تبريز، ج . هاي عصبي مصنوعيشبكههاي عصبي استفاده از شبكه با SASWآناليز برگشتي در آزمايش . 1383. اصالح، پ .2

.نامه كارشناسي ارشد عمران، دانشكده فني، دانشگاه اروميهپايان. مصنوعيبيني متوسط دماي ماهانه تبريز با استفاده بررسي و پيش. 1382. ، باباپور، ع.اصل، سجهانبخش .3

ص ،3، ش 18فصلنامه تحقيقات جغرافيايي دانشگاه اصفهان، ج ). ARIMA(از مدل آريما 46 -34.

براساس ) ونيار(بيني ورودي ماهانه درياچه سد شهيد مدني تبريز پيش. 1386. چوبدار، الف .4- دكتراي نامه پايان. هاي عصبي مصنوعيتأثير عناصر اقليمي با استفاده از شبكه

.، دانشگاه تبريز)كليماتولوژي(جغرافياي طبيعي) PH.D(تخصصيپايش خشكسالي در استان فارس، سومين همايش مقابله .1387. زاده، س، جوي.زاده، زحجازي .5

.با سوانح طبيعي، دانشگاه تهرانهاي روزانه در علل كمي شدت و تداوم خشكسالي. 1382. ، فتاحي، الف.زاده، زحجازي .6

.10، ص 1، ش 1شهركرد، نشريه علوم جغرافيايي، دانشگاه تربيت معلم تهران، ج و تحليل دماهاي حداكثر شهرستان اردبيل با استفاده از مدل برآورد. 1388، .حسيني، س، الف .7

، )اقليم شناسي( هاي عصبي مصنوعي، پايان نامه كارشناسي ارشد جغرافياي طبيعيتئوري شبكه .دانشگاه محقق اردبيلي

هاي عصبي بيني بارش با استفاده از شبكهپيش. 1385. ، داوري، ك.، خداشناس، س.خليلي، ن .8 .كنفرانس مديريت منابع آب دومين. مصنوعي

هاي هوايي ناشي از مكانيابي نامناسب مراكز صنعتي در تحليل آلودگي. 1385. رحيمي، الف .9ريزي نامه كارشناسي ارشد جغرافيا و برنامهپايان. هاي عصبيشهر تبريز با استفاده از شبكه

.شهري، دانشگاه تبريزايستگاه (هاي عصبياستفاده از تئوري شبكهبيني عناصر اقليمي با پيش. 1376. سگوندي، ف .10

.، دانشگاه تبريز)اقليم شناسي(طبيعينامه كارشناسي ارشد جغرافيايپايان). نمونه اهواز

Archive of SID

www.SID.ir


. هاي پيش آگاهي خشكسالي در ايرانشاخص. 1387. ، فتاحي، الف.كردار، عصداقت .11 .59- 76، ص 11ش ، 6مجله جغرافيا و توسعه دانشگاه سيستان و بلوچستان، ج

ساالنه تبريز با بيني تغييرات دمايمقايسه و پيش. 1384. رحيمي، ي، قويدل.عليجاني، ب .12هاي دمايي كره زمين با استفاده از روش رگرسيون خطي و شبكه عصبي ناهنجاري .21ـ38، ص 6، ش 3ج ، مجله جغرافيا و توسعه دانشگاه سيستان و بلوچستان. مصنوعي

بيني بلندمدت بارش با استفاده از پيش. 1385. ، رضوي، س.، رمضاني، ف.كارآموز، م .13المللي مهندسي هفتمين كنگره بين. هاي عصبي مصنوعيكاربرد شبكه: هاي هواشناسي سيگنال .عمران

، مركز نشردانشگاه )هوش محاسباتي( هاي عصبيمباني شبكه. 1384. منهاج، محمد، باقر .14 .ص712، 1صنعتي امير كبير، چاپ سوم، ج

15. Demuth, H., Beale, M. 2000. Neural Network Toolbox User,s Guide, Copyright 1992-2002, By The Math Works, Inc, Version 4, 840pp.

16. Jain, A. 2003. Predicting Air Temperature For Frost Warning Using Artificial Neural Network, A Thesis Submitted to the Graduate Faculty of The University of Georgia in Partial Fulfillment of the Requirements for the Degree MASTER OF SCIENCE, ATHENS, GEORGIA, 92 P.

17. Rehman, S., Mohandes, M. 2008. Artificial neural network estimation of global solar radiation using air temperature and relative humidity, Energy Policy 36: 571–576.

18. Sajikumar, N., Thandaveswara, B.S. 1999. Non Liner rainfall runoff Model using artificial neural network. Journal of Haydrology, 216: 32-35.

19. Senkal, O., Kuleli, T. 2009. Estimation of solar radiation over Turkey using artificial neural network and satellite data, Applied Energy 86: 1222–1228.

Archive of SID

www.SID.ir

40813892703

Documents