معرفی روش شبکه عصبی مصنوعی و SDSM بمنظور کوچک مقیاس کردن آماری داده های دما و بارندگی
محل انتشار: سومین کنفرانس مدیریت منابع آب
سال انتشار: 1387
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 3,870
فایل این مقاله در 9 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
WRM03_276
تاریخ نمایه سازی: 28 فروردین 1387
چکیده مقاله:
برای بررسی تاثیر تغییر اقلیم بر سیستمهای مختلف مانند منابع آب در دورههای آتی، در ابتدا می بایست متغیرهای اقلیمی تحت تاثیرتغییرات گازهای گلخانه ای شبیه سازی شوند. روشهای مختلفی برای شبیه سازی متغیرهای اقلیمی در دورههای آتی تحت تاثیر تغییراقلیم وجود دارد که معتبرترین آن ها استفاده از دادههای مدل گردش عمومی جو یاGeneral Circulation Model) GCM) میباشد. مدلهای GCM تنها قادر به شبیه سازی این داده ها در سطوح بزرگ (حدود 50000 کیلومتر مربع) هستند. لذا جهت استفاده از این داده ها لازم است تا داده های GCM توسط تکنیک های مختلف در سطوح ایستگاهی کوچک مقیاس گردد. روشهای مختلفی برای کوچک مقیاس کردن وجود دارد که مناسبتربن آنها - بخصوص در کشور ایران - استفاده از روشهای آماری است. در این مقاله گامهای مختلف مورد نیاز برای کوچک مقیاس کردن آماری با استفاده از روشهای شبکه عصبی مصنوعی (Artificial Neural Networks,ANN) و (Statistical DownScaling Model) SDSM ارائه میگردد.
کلیدواژه ها:
تغییر اقلیم- مدل گردش عمومی جو - کوچک مقیاس کردن آماری- شبکه عصبی مصنوعی - SDSM
نویسندگان
سیده زهرا صمدی
عضو هیئت علمی دانشگاه آزاد اسلامی واحد قائمشهر، دانشجوی دوره دکتری م
علیرضا مساح بوانی
استادیار دانشگاه تهران، پردیس کشاورزی ابوریحان، دکتری منابع آب
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 :