نوع مقاله : مقاله پژوهشی

نویسندگان

• محسن یوسفی ¹
• لیلا کاشی زنوزی ²

¹ دانشجوی کارشناسی ارشد آبخیزداری دانشکده منابع طبیعی و کویرشناسی، دانشگاه یزد، ایران

² کارشناس ارشد پژوهشی، بخش تحقیقات بیابان، مؤسسه تحقیقات جنگلها و مراتع کشور، سازمان تحقیقات، آموزش و ترویج کشاورزی، تهران

چکیده

هدف از این مطالعه تعیین برخی عوامل تأثیر گذار بر پدیده طوفان گردوغبار با استفاده از روش‌های مختلف است. به‌منظور تعیین مناسب‌ترین ترکیب ورودی، از روش‌های کاهش متغیر از قبیل تحلیل عاملی (حداکثر احتمال، تجزیه مؤلفه‌های اصلی)، آزمون گاما و رگرسیون چند متغیره استفاده شد. هر کدام از روش‌های مذکور ترکیب متفاوتی را ارائه نمودند که هر کدام از این ترکیب‌ها در مدل شبکه عصبی پیشخور پس انتشار با توابع آموزشی لورنبرگ مارکوآت استفاده شد که رگرسیون گام به گام با 87/0R²= و 04/0RMSE= مناسب‌ترین ترکیب را برای مدل شبکه عصبی معرفی نمود همچنین داده‌ها را به‌صورت ماهانه و فصلی با استفاده از مناسب‌ترین ورودی به شبکه اعمال شد و شبیه‌سازی پدیده طوفان گردوغبار در فصل‌های تابستان و بهار و در ماه‌های اردیبهشت، فروردین، خرداد، تیر، شهریور و مرداد با شاخص‌های آماری ضریب همبستگی بالاتر و میانگین مربعات خطای پایین‌تر بدلیل پراکنش مناسب داده‌های طوفان گرد و غبار انجام شد. نتایج تحقیق نشان داد که بر اساس روش‌های به‌کار رفته، بیشترین تأثیر بر پدیده طوفان گرد و غبار را در استان یزد، عوامل سرعت باد غالب، دید افقی، تداوم و میانگین سرعت باد به عهده دارند

کلیدواژه‌ها

• شبکه عصبی مصنوعی
• طوفان گرد و غبار
• رگرسیون گام به گام
• آزمون گاما
• تجزیه مؤلفه‌های اصلی
• تجزیه عاملی

عنوان مقاله [English]

Nomination the most suitable of input combination of artificial neural networks method to purpose nomination the Wind parameters on the prospect of dust storms phenomenon (case study: yazd province)

نویسندگان [English]

• Mohsen Yousefi ¹
• leila kashi zenouzi ²

چکیده [English]

The aim of this study was to determine some factors affecting dust storms phenomenon using different methods. In order to determine the best-input combination, variable reduction techniques such as factor analysis (maximum likelihood, principal component analysis), Gama test, and multivariate forward regression analysis were used. Each of these methods presented different combinations used by feedforward neural network model, with Levenberg–Marquardt algorithm and multivariate forward regression with R²=0.87 and RMSE=0.04 was selected as the best suitable combination of neural network model. In addition,  monthly and seasonal data were applied by neural network using the best-input combination, and the simulation of dust storm phenomenon was done in summer and spring during the months of April, May, June, July, August and September with a higher correlation coefficient and lower mean square error, due to the good distribution of the dust storm data. The results showed that based on these methods used in this study, dominant wind speed, horizontal visibility, continuity and average of wind speed were the most important factors affecting dust storm phenomenon in Yazd province.

کلیدواژه‌ها [English]

• Artificial Neural Network
• Dust storm
• stepwise regression
• Gamma test
• Principal component analysis
• factor analysis