fa کاربرد دو روش شبکه عصبی مصنوعی MLP،RBF در برآورد رسوبات بادی (مطالعه موردی: دشت کرسیا داراب) پژوهشي Research <table align="left" cellpadding="0" cellspacing="0" hspace="0" vspace="0"> <tbody> <tr> <td align="left"> <p dir="RTL"></p> </td> </tr> </tbody> </table> <div style="clear:both"></div> <p><span dir="RTL">به دلیل عدم وجود ایستگاه‌های سنجش میزان رسوب در فرایند فرسایش بادی، تخمین میزان بار رسوب در زمینه این فرایند امری ضروری و مهم تلقی می‌شود. شبکه‌های عصبی مصنوعی می‌توانند به عنوان ابزاری کارآمد جهت برآورد و شبیه‌سازی رسوبات موثر واقع شوند. در این تحقیق از دو نوع شبکه عصبی مصنوعی پرسپترون چند لایه و شبکه عصبی شعاعی برای  برآورد و برازش مقدار رسوبات بادی در منطقه کرسیا شهرستان داراب استفاده گردید. در این شبیه‌سازی که با دو روش پرکاربرد شبکه عصبی پرسپترون چند لایه و شبکه عصبی شعاعی صورت گرفت، در ابتدای امر میزان رسوبات بادی توسط تله‌های رسوب‌گیر نمونه‌برداری شد و با پارامترهای اقلیمی نظیر متوسط سرعت باد، تبخیر، بارندگی، رطوبت نسبی، دمای کمینه، دمای بیشینه، دمای متوسط و درصد پوشش گیاهی به ترتیب به عنوان متغیر وابسته و مستقل ورودی به مدل جهت شبیه‌سازی رسوبات انتخاب گردید. نتایج حاصل از عملکرد مدل­ها نشان داد که شبکه عصبی پرسپترون چند لایه (پیشخور با الگوریتم پس انتشار خطا) با تکنیک یادگیری گرادیان دوگانه درجه‌بندی نسبت به شبکه عصبی شعاعی به ترتیب با ضریب تعیین 95/0 و ریشه میانگین مربعات خطای 02/0 و ضریب تعیین 90/. و ریشه میانگین مربعات خطای 40/0 در  برآورد رسوبات بادی از دقت و کارایی بالاتری برخوردارمی باشد. البته لازم به ذکر است که مزیت مهم  شبکه عصبی مصنوعی پرسپترون چند لایه انعطاف‌پذیری بیشتر نسبت به شبکه عصبی  شعاعی می‌باشد.</span></p> <table align="left" cellpadding="0" cellspacing="0" hspace="0" vspace="0"> <tbody> <tr> <td align="left"> <p></p> <p>The lack of sediment gauging stations in the process of wind erosion, caused of estimate of sediment be process of necessary and important. Artificial neural networks can be used as an efficient and effective of tool to estimate and simulate sediments. In this paper two model multi-layer perceptron neural networks and radial neural network was used to estimate the amount of sediment in Korsya of Darab city. The simulations were performed with two methods common artificial neural network Initially, the sediment was sampled with sediment traps afterward  by climatic factors such as average wind speed, evaporation, precipitation, relative humidity, minimum temperature, maximum temperature, average temperature and Percentage of vegetation, respectively, as the dependent variable and independent input to the model was chosen to simulate the sediment. The Results of the performance model show that MLP neural network (feedforward Back propagation algorithm) with learning technique of Calibrated dual gradient Compared  to  radial  Neural Network Respectively with coefficient of determination .95 , Roots mean square error .02 and  coefficient of determination .90 , Roots mean square error .40 for  estimate of wind deposits  were the higher  efficiency and accurate. Course, it should be noted that an important advantage of the artificial neural network Multilayer Perceptron to Neural Network Radial is more flexibility.</p> </td> </tr> </tbody> </table> <div style="clear:both"></div> شبکه عصبی MLP, شبکه عصبی RBF, شبیه‌سازی, تله رسوب‌گیر, رسوبات بادی Neural Network MLP, Neural Network RBF, Simulation, Sediment Traps, Sediment Wind 1 16 http://magazine.hormozgan.ac.ir/browse.php?a_code=A-10-1-1&slc_lang=fa&sid=1 محمدرضا شکاری shekari.reza@gmail.com 10031947532846002812 10031947532846002812 Yes دانشگاه کاشان سیدجواد ساداتی نژاد Jsadatinejad@ut.ac.ir 10031947532846002813 10031947532846002813 No دانشگاه تهران عباسعلی ولی vali@kashanu.ac.ir 10031947532846002814 10031947532846002814 No دانشگاه کاشان هدی قاسمیه h.ghasemieh@kashanu.ac.ir 10031947532846002815 10031947532846002815 No دانشگاه کاشان رضا قضاوی ، ghazavi@kashanu.ac.ir 10031947532846002816 10031947532846002816 No ، دانشگاه کاشان