fa مقایسه مناسب ترین ترکیب ورودی در روش های شبکه عصبی مصنوعی و درخت تصمیم به منظور شناسایی عوامل تأثیرگذار بر پدیده گرد و غبار (مطالعه موردی: استان یزد) تخصصي Special پژوهشي Research یکی از بلایای طبیعی که هر ساله موجب خسارت‌های زیادی در نواحی خشک و بیابانی جهان از جمله ایران و منطقه یزد میشود، بادهای شدید و شکلگیری طوفان گرد و خاک است که هرساله چندین مرتبه به وقوع می پیوندد. در این مطالعه از دادههای هواشناسی ایستگاه یزد (طوفان تندر، بزرگی باد (اندازه، مقدار)، تداوم باد (پیوستگی باد)، دید افقی، سریعترین سرعت باد، میانگین سرعت باد، سرعت باد غالب و تعداد وقوع طوفان گرد و خاک ثبت شده توسط اداره هواشناسی (اعم از طوفان های با منشاء داخلی و خارجی)) در بازه زمانی 1953-2005 به صورت ماهانه استفاده شد. به منظور تعیین مناسبترین ترکیب ورودی مدل شبکه عصبی و تعداد پارامترهای (ورودی) تأثیرگذار بر پدیده طوفان گرد و خاک از روشهای کاهش متغییر تحلیل عاملی (حداکثر احتمال، مؤلفه اصلی)، تجزیه مؤلفههای اصلی، آزمون تست گاما و رگرسیون گام به گام پیش رونده استفاده شد. هر کدام از روشهای مذکور ترکیب متفاوتی را ارائه نمودند که هر کدام از این ترکیبها در مدل شبکه عصبی پیش خور پس انتشار با توابع آموزشی لورنبرگ مارکوآت استفاده شد. نتایج به‌دست آمده نشان داد که رگرسیون گام به گام پیش رونده با 87/0 R²= و 04/0RMSE= مناسب‌ترین ترکیب را برای مدل شبکه عصبی ایجاد میکند. مقایسه شبیهسازی پدیده طوفان گرد و خاک در فصول و ماه‌های مختلف سال نشان داد که شبیهسازی پدیده گرد و غبار فصلهای تابستان و بهار و همچنین ماههای فروردین، اردیبهشت، خرداد، تیر، مرداد و شهریور از دقت بالاتری برخوردار میباشد. در مقایسه میان مدلهای شبکه عصبی پیشخور پس انتشار خطا با توابع آموزشی لورنبرگ مارکوآت و درخت تصمیم با توابع آموزشی کارت (CART)، شبکه عصبی با ضریب همبستگی 87/0 و مجذور میانگین مربعات خطای 04/0 نسبت به روش درخت .تصمیم با ضریب همبستگی 86/0 و مجذور میانگین مربعات خطای 06/0 از دقت بالاتری به منظور شبیهسازی طوفان گرد و خاک برخوردار است One of the major natural disasters causing damage annually is desert. Dry lands of the world including Iran are whipped by strong winds and dust storms form several times each year. In this study, using data from meteorological stations (thunder storms, wind magnitude (size, amount), wind duration, visibility, fastest wind speed, average wind speed, prevailing winds and dust storms) in 1953-2005 were used. In order to determine the most appropriate combination of neural network and input parameters (inputs) influencing the phenomenon of dust storms from Variable reduction factor analysis (maximum likelihood, principal component), principal component analysis, stepwise progressive and gamma test were used. Each of the above mentioned methods, with a different combination of neural network with the algorithm of Levenberg-Marquardt have been used. The results showed that the stepwise progressive R² = 0.87 and RMSE = 0.04 provides the most suitable combination for a neural network. Comparison of simulated dust storm phenomenon in seasons and months different of the year showed that simulates the phenomenon of dust storm in summer and spring seasons and months of April, May, June, July, August and September, the accuracy is higher. In comparing with algorithm of Levenberg-Marquardt and decision tree with algorithm CART, Neural networks with a correlation coefficient of 0.87 and the root mean square error of 0.04 of the decision tree method with a correlation coefficient of 0.86 and the root mean square error of 0.06 has more carefully in order to simulate dust storm. : طوفان گرد و غبار, شبکه عصبی, درخت تصمیم, الگوریتم کارت,ضریب گاما, استان یزد dust storm, neural network, decision tree, algorithm CART, Yazd Province 33 40 http://jwmsei.ir/browse.php?a_code=A-10-86-3&slc_lang=fa&sid=1 Mohsen Yousefi محسن یوسفی mohsenyosefi67@gmail.com 10031947532846003665 10031947532846003665 Yes Mohamadreza Ekhtesasi محمدرضا اختصاصی 10031947532846003666 10031947532846003666 No