التنّبؤ بالأمطار الشّهرية في محطة حمص باستخدام تقنية تحويل المويجات والشّبكات العصبية الاصطناعية

Authors

  • غطفان عمار
  • بادية حيدر
  • عامر الدرويش

Abstract

التنبّؤ بالطقس وخاصةً الأمطار، هي واحدة من المهام العملية الأكثر تحدياً وأهمية، والتي تقوم بها خدمات الأرصاد الجوية في جميع أنحاء العالم، علاوة على كونه إجراء معقد يتطلب مجالات متخصصة ومتعددة من الخبرات. في هذه الورقة، أقترح نموذج الشبكات العصبيَّة (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 والتقريبية على ثلاث مستويات باستخدام تحويل المويجات المتقطعDiscrete Wavelet Transform(DWT)، واستخدمت الشَّبكة العصبيَّة أمامية التغذية مع خوارزمية الانتشار العكسي في عملية التعلم والتنبّؤ. توصلت الدراسة إلى أن الشبكة العصبيةWNN 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، وتطبق هذه التقنية في نماذج الشبكات العصبية الاصطناعية للأمطار لأنها بسيطة، كما يمكن تطبيق هذه التقنية لنماذج أخرى. Weather forecasting (especially rainfall) is one of the most important and challenging operational tasks carried out by meteorological services all over the world. Itis furthermore a complicated procedure that requires multiple specialized fields of expertise. In this paper, a model based on artificial neural networks (ANNs) and wavelet Transform is proposed as tool to predict consecutive monthly rainfalls (1933-2009) taken of Homs Meteorological Station on accounts of the preceding events of rainfall data. The feed-forward neural network with back-propagation Algorithm is used in the learning and forecasting, where the time series of rain that detailed transactions and the approximate three levels of analysis using a Discrete wavelet transform (DWT). The study found that the neural network WNN structured (1-8-8-8-5), able to predict the monthly rainfall in Homs station on the long-term correlation of determination and root mean squared-errors (0.98, 7.74mm), respectively. Wavelet Transform technique provides a useful feature based on the analysis of the data, which improves the performance of the model and applied this technique in ANNmodels for rain because it is simple, as this technique can be applied to other models.

Downloads

Published

2017-11-01

How to Cite

1.
عمار غ, حيدر ب, الدرويش ع. التنّبؤ بالأمطار الشّهرية في محطة حمص باستخدام تقنية تحويل المويجات والشّبكات العصبية الاصطناعية. Tuj-eng [Internet]. 2017Nov.1 [cited 2024Nov.23];38(6). Available from: https://journal.tishreen.edu.sy/index.php/engscnc/article/view/3299

Issue

Vol. 38 No. 6 (2016): العلوم الهندسية

Section

Articles

License

Copyright (c) 2017 ttps://creativecommons.org/licenses/by-nc-sa/4.0/

Creative Commons License

This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.

The authors retain the copyright and grant the right to publish in the magazine for the first time with the transfer of the commercial right to Tishreen University Journal for Research and Scientific Studies - Engineering Sciences Series

 Under a CC BY- NC-SA 04 license that allows others to share the work with of the work's authorship and initial publication in this journal. Authors can use a copy of their articles in their scientific activity, and on their scientific websites, provided that the place of publication is indicted in  Tishreen University Journal for Research and Scientific Studies - Engineering Sciences Series   .  The Readers have the right to send, print and subscribe to the initial version of the article, and the title of  Tishreen University Journal for Research and Scientific Studies - Engineering Sciences Series     Publisher

journal uses a CC BY-NC-SA license which mean

You are free to:

  • Adapt — remix, transform, and build upon the material
  •  
  • The licensor cannot revoke these freedoms as long as you follow the license terms.

 

  • Attribution — You must give appropriate credit, provide a link to the license, and indicate if changes were made. You may do so in any reasonable manner, but not in any way that suggests the licensor endorses you or your use.
  • NonCommercial — You may not use the material for commercial purposes.
  • ShareAlike — If you remix, transform, or build upon the material, you must distribute your contributions under the same license as the original.
  • No additional restrictions — You may not apply legal terms or technological measures that legally restrict others from doing anything the license permits.

Most read articles by the same author(s)

1 2 3 > >>