پیش بینی بارش باران با اتوماتای یادگیر سلولی (CLA) و شبکه عصبی مصنوعی (ANN)

 مقاله پیش بینی بارش باران با اتوماتای یادگیر سلولی (CLA) و شبکه عصبی مصنوعی (ANN)

ترجمه مقاله HYBRID OF ANNS AND CLA FOR PREDICTION OF RAINFALL

در این بخش ترجمه مقاله پیش بینی بارش باران با اتوماتای یادگیر سلولی (CLA) و شبکه عصبی مصنوعی (ANN) را برای شما دوستان آماده کردیم که علاوه بر چکیده و مقدمه می توانید خود مقاله اصلی را نیز به طور کاملا رایگان دانلود بفرمایید.

چکیده مقاله

پیش بینی بارش باران برای مدیریت منابع آب بسیار مهم است. در مناطق شهری بارندگی تاثیر زیادی بر ترافیک, سیستم فاظلاب و سایر فعالیت های انسانی دارد. در این تحقیق از روش اتوماتای سلولی یادگیر و شبکه عصبی مصنوعی جهت طبقه بندی روز های بارانی و غیر بارانی استفاده شده است. جهت طبقه بندی داده ها یک مقایسه ای بین اتوماتای سلولی یادگیر و شبکه عصبی مصنوعی انجام شد که نتایج نشان داد که دقت اتوماتای سلولی یادگیر (R2=0.796  RMSE=0.407) بهتر از شبکه عصبی مصنوعی (0.431=R2=0.556 , RMSE) به منظور پیش بینی بارندگی روزانه سه روش شامل شبکه عصبی مصنوعی با دو عملکرد یادگیری LM و BFGS و ترکیبی از ANNs-CLA مورد استفاده قرار گرفت. اگر چه ANN با عملکرد یادگیری LM پیش بینی بارش را با دقت بالا (R2 = 0.839 و RMSE = 0.222)، انجام می دهد ولی ترکیب ANNs-CLA نتایج بهتر و با دقت بالاتری (R2 = 0.88 و RMSE = 0.202) فراهم می کند.

مقدمه

پیش بینی بارش باران برای مدیریت منابع آب بسیار مهم است. در مناطق شهری، بارندگی تاثیر زیادی بر ترافیک، سیستم فاضلاب و سایر فعالیت های انسانی دارد. با این حال، درک و مدل سازی پیش بینی بارش یکی از پیچیده ترین مسائل در این کار است و به عنوان یکی از بزرگترین چالش های علم هواشناسی شناخته شده است تعداد قابل توجهی روش برای پیش بینی بارش معرفی شده اند. با توجه به تنوع زمانی و مکانی بارندگی، پیش بینی بارش با دقت بالا دشوار است و هر یک از روش ها قادر به پیش بینی بارندگی با دقت مختلف است.

چکیده انگلیسی

Prediction of rainfall is extremely important for management of water resources. In urban areas, rainfall has a great impact on traffic, sewer systems, and other human activities. In this study, Learning – Cellular Automation (CLA) and artificial neural networks (ANNs) were used for classification of rainy and no-rainy days. For classification of data, a comparison between CAL and ANNs indicated that accuracy of CLA with R2=0.796 and RMSE=0.407 is better than ANNs (R2=0.556 and RMSE=0.431). In order to predict daily rainfall, three methods were employed including ANNs with two learning functions of LM and BFGS and hybrid of ANNs-CLA. Although the ANN with learning function of LM predicts the rainfall with high accuracy (R2=0.839 and RMSE= 0.222), a hybrid of ANNs-CLA provides better results with higher accuracy (R2 = 0.88 and RMSE= 0.202).

منبع : iahr.org