چکیده مقاله
شبکه های عصبی مصنوعی با الهم از سیستم عصبی انسان به وجود آمده اند که توانایی یادگیری دارند و قادرند روابط الگوهای بین ورودی ها و خروجی ها را تشخیص دهند پس از آموزش مناسب، می توان ورودی های جدید به شبکه عصبی ارائه نمود و خروجی را تخمین زد این تکنیک می تواند روابط غیر خطی بین ورودی ها و خروجی را در هر نوع مسئله تخمینی بشناسد به همین دلیل شبکه های عصبی را تخمین گرهای عام می نامند در این تحقیق از شبکه های عصبی پرسپترون سه لایه با الگوریتم آموزشی پس از انتشار خطا و تابع فعالیت لوگ سیگموئید برای پیش بینی خشکسالی ماه آینده به کمک شاخص SPI و نرم افزار MATLAB در شهر مشهد استفاده شده است نتایج نشان می دهند که پیش بینی شاخص SPI بسیارمفید بوده تا حدی که شاخص SPI 48 ماهه تا 95/0=R2 قادر به پیش بینی خشکسالی است ولی به علت وجود پارامترهای ناشناخته دیگر دقت پیش بینی این شاخص با افزایش زمان و برای ماه های بعد کاهش می یابد
کلیدواژهها
نویسندگان
الهام عابدینی
کارشناسی ارشد هواشناسی کشاورزی دانشگاه فردوسی مشهد
عزیزالله ایزدی
دانشجوی دکترای مهندسی آبیاری و زهکشی دانشگاه فردوسی مشهد
حمید کاردان مقدم
دانشجوی کارشناسی ارشد مدیریت منابع آب دانشگاه بیرجند
احسان علیدوست
کارشناس مرکز تحقیقات کشاورزی و منابع طبیعی خراسان رضوی
شیوه ارجاع
�ابدینی، الهام و ایزدی، عزیزالله و کاردان مقدم، حمید و علیدوست، احسان،1388،پیش بینی شاخص خشکسالی SPI در مشهد به کمک شبکه های عصبی MLP و نرم افزار Matlab،همایش ملی الگوهای توسعه پایداردر مدیریت آب،مشهد
ارائهشده در
مجموعه مقالات همایش ملی الگوهای توسعه پایداردر مدیریت آب1 اسفند 1388 · مشهد