اشترك بالحزمة الذهبية واحصل على وصول غير محدود شمرا أكاديميا
تسجيل مستخدم جديدالتنبؤ بالأمطار اليومية باستخدام تقنية الشبكات العصبية الاصطناعية مع التحليل المويجي
Prediction of Daily Precipitation using an Artificial Neural Network Technique combined with Wavelet Decomposition
3169
2 311
0
(
0
)
تمت اﻹضافة من قبل
Shamra Editor
اسأل ChatGPT حول البحث
تعتبر الأمطار من الظواهر غير الخطية المعقدة، و التي تتطلب النمذجة الرياضية غير الخطية لغرض التنبؤ بها. هذه الدراسة تقارن أداء التنبؤ بالأمطار ليوم مقدماً، حيث وضعت اثنين من نماذج الشبكات العصبونية (ذات التغذية الأمامية) للتنبؤ بأمطار يومية متتالية لثلاثة أشهر (كانون الأول، كانون الثاني، شباط) و هذه النماذج هي: نموذج الشبكات العصبية الاصطناعية التقليدية (ANN) و نموذج عصبوني مع تقنية التحويل المويجي وفق (wavelet- neural) طريقتين مختلفتين لبناء النماذج و باستخدام نوعين من المويجات من عائلة دوبغنز (db2, db5) و من أجل المقارنة بين أداء النماذج في قدرتها على التنبؤ بالأمطار على المدى القصير (ليوم و يومين و ثلاثة أيام مقدماً) للأشهر الأخيرة من فترة الدراسة، فقد استخدمت بعض المعايير الإحصائية، التي اشتملت على جذر متوسط مربعات الأخطاء (RMSE) و معامل الارتباط (R).
Rainfall is highly non-linear and complicated phenomena, which require nonlinear mathematical modeling and simulation for accurate prediction. This study comparing the performance of the prediction of one-day-ahead, where Two Feed Forward Neural Network FFNN models were developed and implemented to predict the rainfall on daily for three months (December, January, February). These models are Artificial Neural Network traditional (ANN) model and artificial neural network technique combined with wavelet decomposition (Wavelet- Neural) According to two different methods to build a model using two types of wavelets of Daubechies family (db2, db5). In order to compare the performance of the models in their ability to predict the rains on short-term (for one and two and three-days-ahead) the last months of the period of study, used some statistical standards, These parameters include the Root Mean Square Error RMSE, Coefficient Of Correlation (R).
مراجعة الذكاء الصنعي:
ملخص البحث
تعتبر الأمطار من الظواهر غير الخطية المعقدة التي تتطلب نمذجة رياضية غير خطية للتنبؤ بها بدقة. تهدف هذه الدراسة إلى مقارنة أداء نموذجين من الشبكات العصبية الاصطناعية في التنبؤ بالأمطار اليومية لثلاثة أشهر (ديسمبر، يناير، فبراير). النموذجان هما: نموذج الشبكات العصبية التقليدية (ANN) ونموذج الشبكات العصبية مع التحليل المويجي (Wavelet-ANN). تم استخدام نوعين من المويجات من عائلة دويغنز (db2, db5) لبناء النماذج. أظهرت النتائج أن نموذج Wavelet-ANN كان أكثر دقة واستقراراً في التنبؤ بالأمطار ليوم مقدماً مقارنة بنموذج ANN التقليدي. ومع ذلك، انخفضت دقة التنبؤ بشكل ملحوظ مع زيادة فترة التنبؤ. تشير الدراسة إلى الحاجة إلى مزيد من الأبحاث للتعامل مع عدم اليقين في التنبؤ بالطقس وتحسين نماذج ANN.
قراءة نقدية
دراسة نقدية: تقدم هذه الدراسة مساهمة قيمة في مجال التنبؤ بالأمطار باستخدام تقنيات الذكاء الاصطناعي والتحليل المويجي. ومع ذلك، يمكن توجيه بعض الملاحظات النقدية لتحسين العمل المستقبلي. أولاً، الدراسة تركز على فترة زمنية محدودة (ثلاثة أشهر) مما قد يحد من تعميم النتائج على فترات زمنية أطول أو على مناطق جغرافية مختلفة. ثانياً، لم يتم التطرق بشكل كافٍ إلى تأثير العوامل المناخية الأخرى مثل الرياح ودرجة الحرارة على دقة التنبؤ. ثالثاً، يمكن تحسين الدراسة من خلال استخدام بيانات أكثر حداثة وتقنيات تعلم آلي متقدمة مثل التعلم العميق. وأخيراً، من المهم إجراء تجارب إضافية للتحقق من استقرار النماذج على مدى فترات زمنية أطول وتحت ظروف مناخية متنوعة.
أسئلة حول البحث
-
ما هي النماذج المستخدمة في الدراسة للتنبؤ بالأمطار؟
تم استخدام نموذجين: نموذج الشبكات العصبية التقليدية (ANN) ونموذج الشبكات العصبية مع التحليل المويجي (Wavelet-ANN).
-
ما هي الفترة الزمنية التي تم التنبؤ بها في الدراسة؟
تم التنبؤ بالأمطار اليومية لثلاثة أشهر (ديسمبر، يناير، فبراير).
-
ما هي النتائج الرئيسية التي توصلت إليها الدراسة؟
أظهرت النتائج أن نموذج Wavelet-ANN كان أكثر دقة واستقراراً في التنبؤ بالأمطار ليوم مقدماً مقارنة بنموذج ANN التقليدي، ولكن دقة التنبؤ انخفضت بشكل ملحوظ مع زيادة فترة التنبؤ.
-
ما هي التوصيات التي قدمتها الدراسة لتحسين التنبؤ بالأمطار؟
أوصت الدراسة بإجراء مزيد من الأبحاث للتعامل مع عدم اليقين في التنبؤ بالطقس وتحسين نماذج ANN، وكذلك استخدام بيانات أكثر حداثة وتقنيات تعلم آلي متقدمة.
المراجع المستخدمة
SHRIVASTAVA, G; KARMAKAR, S; KOWAR, M. K 2012. Application of Artificial Neural Networks in Weather Forecasting: A Comprehensive Literature Review. International Journal of Computer Applications (0975 – 8887), Vol 51.No.18, 17-29
KIMURA, R2002. Numerical weather prediction. Journal of Wind Engineering and Industrial Aerodynamics 90, 1403–1414. [3]. BUSHARA, N.O; ABRAHAM, A 2013. Computational Intelligence in Weather Forecasting: A Review. Journal of Network and Innovative Computing. ISSN 2160-2174, Vol 1, 320-331
SOMVANSHI, K.V; PANDEY, P.O; AGRAWAL, K.P; KALANKER, V.N; PRAKASH, R.M; CHAND, R 2006. Modelling and prediction of rainfall using artificial neural network and ARIMA techniques. J. Ind. Geophys. Union, Vol.10. No.2, 141- 151
قيم البحث
اقرأ أيضاً
التنبّؤ بالطقس و خاصةً الأمطار، هي واحدة من المهام العملية الأكثر تحدياً و أهمية، و التي تقوم بها خدمات الأرصاد الجوية في جميع أنحاء العالم، علاوة على كونه إجراء معقد يتطلب مجالات متخصصة و متعددة من الخبرات.
في هذه الورقة، أقترح نموذج الشبكات العصبي
َّة (ANNs) مع تحويل المويجات كأداة للتنبؤ بالأمطار الشّهرية بشكل متتالي بالاعتماد على البيانات السابقة لهطول الأمطار (1933-2009)، المأخوذة من محطة حمص للأرصاد الجوية. حيث تم تحليل السلسلة الزمنية للأمطار إلى معاملاتها التفصيلية و التقريبية على ثلاث مستويات باستخدام تحويل المويجات المتقطع (Discrete Wavelet Transform (DWT، و استخدمت الشَّبكة العصبيَّة أمامية التغذية مع خوارزمية الانتشار العكسي في عملية التعلم و التنبّؤ.
توصلت الدراسة إلى أن الشبكة العصبية WNN ذات الهيكلية (1-8-8-8-5)، قادرة على التنبؤ بالأمطار الشهرية في محطة حمص على المدى الطويل بمعامل تحديد وجذر متوسط مربعات الأخطاء (7.74mm,0.98) على الترتيب.
تقدم تقنية تحويل المويجات ميزة مفيدة قائمة على تحليل البيانات، مما يحسن من أداء النموذج، و تطبق هذه التقنية في نماذج الشبكات العصبية الاصطناعية للأمطار لأنها بسيطة، كما يمكن تطبيق هذه التقنية لنماذج أخرى.
يُعدُّ تقييم موارد المياه السطحية من المدخلات الضرورية لحل قضايا إدارة المياه، و التي تتضمن إيجاد علاقة بين الأمطار و الجريانات السطحية، و تعتبر هذه العلاقة على درجة عالية من التعقيد، حيث أن الأمطار من أهم العوامل التي تؤثر بشكل كبير على جريان الأنها
ر، و عملية التنبؤ بهذه الجريانات يجب أن تأخذ هذا العامل بعين الاعتبار، و بكثير من الاهتمام و الدراسة، و تعتبر الشبكات العصبية الصنعية من أهم الطرائق الحديثة من حيث دقة نتائجها في الربط بين هذه العوامل المتعددة و البالغة التعقيد. و من أجل التنبؤ بالجريان اليومي الوارد إلى بحيرة سد 16 تشرين في اللاذقية، موضوع بحثنا، تم تطبيق نماذج مختلفة من الشبكات العصبية الصنعية (ANN)، كانت مدخلاتها تدفقات سابقة للأمطار و الجريانات.
قسمت مجموعة البيانات للفترة الممتدة بين عامي (2006-2012) إلى مجموعتين: تدريب و اختبار، و قد تم معالجة البيانات قبل إدخالها إلى الشبكة العصبية باستخدام تقنية تحويل المويجات المتقطع، للتخلص من مشاكل القيم العظمى و القيم الصفرية، حيث حللت السلاسل الزمنية إلى ثلاثة مستويات من الدقة و استخدمت السلاسل الفرعية الناتجة كمدخلات للشبكة العصبية أمامية التغذية التي تعتمد على خوارزمية الانتشار العكسي لتدريبها.
أشارت النتائج إلى أن الشبكة العصبية ذات الهيكلية (1-2-6) نموذج Wavelet-ANN، هي الأفضل في تمثيل الظاهرة المدروسة و الأقدر على التنبؤ بالجريان اليومي الوارد إلى بحيرة سد 16 تشرين ليوم واحد قادم، حيث بلغ معامل الارتباط و جذر مربع متوسط الخطأ (R2=0.96، RMSE=1.97m3/sec)، على الترتيب.
تعد دراسة استقرار المنشآت البحرية من المواضيع الهامة جداً و ذلك لأنها تتضمن الأخذ بعين الاعتبار الكثير من البارامترات من أجل الوصول إلى التصميم الهندسي الآمن و الاقتصادي لمثل هذه المنشآت.
تتضمن الدراسة الحالية تقنية شبكة عصبية اصطناعية لتوقع عدد الا
ستقرار للمكاسر الركامية, حيث تم بناء شبكة عصبية اعتماداً على البارامترات المؤثرة على استقرار المكسر, و من ثم استخدمت خوارزمية الانتشار العكسي للخطأ في تدريب الشبكة.
تبين نتيجة الدراسة أن هناك ارتباطاً كبيراً بين القيم المحسوبة من الشبكة و القيم المأمولة (المحسوبة من علاقة van der meer) حيث بلغ معامل الارتباط 0.88.
يعتبر التبخر- نتح أحد المكونات الهامة في الدورة الهيدرولوجية، و تعد القدرة على
التنبؤ الدقيق بقيم هذه الظاهرة من العوامل الهامة في العديد من تطبيقات الموارد المائية.
تهدف هذه الدراسة إلى التنبؤ بقيم التبخر نتح المرجعي الشهري, باستخدام الشبكات العصبية الاصطناعية و نظام الاستدلال الضبابي.
سنقدم في هذا البحث منهجية علمية للتنبؤ قصيرة جدا بالحمولات الكهربائية للمنظومة الكهربائية السورية أي التنبؤ بهذه الحمولات لعدة ساعات قادمة و قد أطلقنا على هذا النوع من التنبؤ التنبؤ العملياتي, تعتمد هذه المنهجية على استخدام الشبكات العصبية الصناعية.
سجل دخول لتتمكن من نشر تعليقات
التعليقات
جاري جلب التعليقات
سجل دخول لتتمكن من متابعة معايير البحث التي قمت باختيارها
