ناشر تخصصی کنفرانس های ایران

لطفا کمی صبر نمایید

Publisher of Iranian Journals and Conference Proceedings

Please waite ..
ناشر تخصصی کنفرانسهای ایران
ورود |عضویت رایگان |راهنمای سایت |عضویت کتابخانه ها
عنوان
مقاله

کاربرد الگوهای شبکه عصبی مصنوعی در شبیه سازی شدت خشکسالی (مطالعه موردی: ایستگاه ترشکلی استان گلستان)

سال انتشار: 1391
کد COI مقاله: NCUIMWR03_164
زبان مقاله: فارسیمشاهده این مقاله: 494
فایل این مقاله در 10 صفحه با فرمت PDF قابل دریافت می باشد

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای 10 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله کاربرد الگوهای شبکه عصبی مصنوعی در شبیه سازی شدت خشکسالی (مطالعه موردی: ایستگاه ترشکلی استان گلستان)

سمانه شاه حسین دستجردی - کارشناس ارشد گروه اقتصادکشاورزی دانشگاه فردوسی مشهد
ناصر شاهنوشی - دانشیار گروه اقتصادکشاورزی دانشگاه فردوسی مشهد
علی دریجانی - استادیار گروه اقتصادکشاورزی دانشگاه علوم کشاورزی و منابع طبیعی گرگان
کامران داوری - دانشیار گروه مهندسی آب دانشگاه فردوسی مشهد

چکیده مقاله:

پیش بینی خشکسالی ابزار مناسبی برای مدیران و سیاست گذاران حوزه های مختلف است تا با در نظر گرفتن این پیش بینی سیاست های آینده را در جهت بهینه نمودن هزینه ها طرح ریزی نموده و با اتخاذ راهکارهای پیشگیرانه خسارات ناشی از خشکسالی های آتی بر بخش های آسیب پذیر جامعه را به حداقل ممکن برسانند. در این مطالعه، از شاخص استانداردشده بارش (SPI) و روش شبکه عصبی مصنوعی برای شبیه سازی خشکسالی ها بهره پرفته شد . همچنین از آمار بارندگی ایستگاه تبخیر سنجی ترشکلی واقع در شهرستان گنبد کاووس استان گلستان طی سال های 87-1354 استفاده گردید. بر اساس معیارهای ضریب همبستگی (r)، کمترین میانگین مربعات خطا (MSE) و میانگین خطای مطلق (MAE) مشخص گردید، شبکه عصبی با 7 نرون در لایه ورودی، 28 نرون با تابع فعالیت تانژانت هایپربولیک در لایه پنهان، یک نرون در لایه خروجی با تابع فعالیت خطی و همچنین، قانون یادگیری مومنتم در مقایسه با سایر شبکه های عصبی اجراشده، ارتباط با اطلاعات ورودی و خروجی را با دقت بالایی شبیه سازی نموده و از عملکرد بهتری در توصیف رفتار تصادفی پدیده خشکسالی ایستگاه ترشکلی برخوردار است. شبکه منتخب برای پیش بینی خشکسالی در دوره 93-1388 مورد استفاده قرار گرفت؛ به گونه ای که مقادیر پیش بینی شده، وقوع خشکسالی های ملایم در این دوره را نشان دادند در مجموع نتایج شبیه سازی الگوهای شبکه عصبی مصنوعی نشان می دهند، این رو از دقت بالایی در دوره های اولیه پیش بینی برخورداراست.

کلیدواژه ها:

پیش بینی، خشکسالی ، شاخص استانداردشده بارش، شبکه عصبی مصنوعی، گلستان

کد مقاله/لینک ثابت به این مقاله

کد یکتای اختصاصی (COI) این مقاله در پایگاه سیویلیکا NCUIMWR03_164 میباشد و برای لینک دهی به این مقاله می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:

https://civilica.com/doc/335503/

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
شاه حسین دستجردی، سمانه و شاهنوشی، ناصر و دریجانی، علی و داوری، کامران،1391،کاربرد الگوهای شبکه عصبی مصنوعی در شبیه سازی شدت خشکسالی (مطالعه موردی: ایستگاه ترشکلی استان گلستان)،سومین همایش ملی مدیریت جامع منابع آب،ساری،https://civilica.com/doc/335503

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (1391، شاه حسین دستجردی، سمانه؛ ناصر شاهنوشی و علی دریجانی و کامران داوری)
برای بار دوم به بعد: (1391، شاه حسین دستجردی؛ شاهنوشی و دریجانی و داوری)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :

  • بداق‌جمالی، ج.، آسیایی، _ صمدی نقاب، س.، جوانمرد، س. و ...
  • علیزاده، ا. 1381. آیا می‌توان خشکسالی را پیش‌بینی و یا ...
  • ASCE Task Committee On Application of Artificial Neural Networks in ...
  • Cybenko, G. 1989. Approximation by Superpositions of a Sigmoidal Function. ...
  • Hayati, M., and Mohebi, Z. 2007. Application of Artificial Neural ...
  • Hornik, K., Stinchcombe, M. and White, H. 1989. Multilayer feedforward ...
  • Jorabchi, A., Zhang, H., and Blumenstein, M. 2XO7. Application of ...
  • Kamruzzaman, J., Begg, R., and Sarker, R. 2006. Artificial Neural ...
  • Keyantash, J., and Dracup, J.A. 202. The quantification of drought: ...
  • Kim, H.K. 2008. Multi-Scale Nonlinear Constitutive Models using Artificial Neural ...
  • Kim, T.W., and Valdes, J.B. _ A nonlinear Model for ...
  • Liu, X., Ren, L., Yuan, F., and Yang, B. _ ...
  • Mishra, A.K and Desai, v.R. 200)6. Drought Forecasting using feed-forward ...
  • Morid, S., Smakhtin, V., and Bagherzadeh, K. 207. Drought Forecasting ...
  • Muhammad, F., and Nabi, G. 1991. A Markov Chain Model ...
  • Ramirez, M.C.V., Velho, H.F., and Ferreira, N.J. 205. Artificial neural ...
  • Sobri, H., Nor Irwan, A.N., and Amir Hashim, M.K. 2002. ...
  • Srikalra, N., and Tanprasert, C. _ Rainfall Prediction for Chao ...
  • Wilhite, D.A. 2003. Moving toward risk management: The need for ...
  • Zijian, Z. _ Researches On Function-Link Artificial Neural Network based ...
  • مدیریت اطلاعات پژوهشی

    صدور گواهی نمایه سازی | گزارش اشکال مقاله | من نویسنده این مقاله هستم
    این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

    اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

    علم سنجی و رتبه بندی مقاله

    مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
    نوع مرکز: دانشگاه دولتی
    تعداد مقالات: 29,015
    در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

    مقالات مرتبط جدید

    به اشتراک گذاری این صفحه

    اطلاعات بیشتر درباره COI

    COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.

    کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.

    پشتیبانی