ناشر تخصصی کنفرانس های ایران

لطفا کمی صبر نمایید

Publisher of Iranian Journals and Conference Proceedings

Please waite ..
CIVILICAWe Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

پیش بینی بلندمدت بارش با استفاده از سیگنال های هواشناسی : کاربرد شبکه های عصبی مصنوعی

سال انتشار: 1385
کد COI مقاله: ICCE07_033
زبان مقاله: فارسیمشاهد این مقاله: 1,963
فایل این مقاله در 11 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 11 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله پیش بینی بلندمدت بارش با استفاده از سیگنال های هواشناسی : کاربرد شبکه های عصبی مصنوعی

محمد کارآموز - استاد، دانشکده مهندسی عمران و محیط زیست، دانشگاه صنعتی امیرکبیر،تهر
فرید رمضانی - دانشجوی کارشناسی ارشد آب،دانشگاه صنعتی امیرکبیر،تهران
سامان رضوی - کارشناس ارشد سازه های هیدرولیکی دانشگاه صنعتی امیرکبیر،تهران

چکیده مقاله:

در این مقاله مدل هایی بر مبنای شبکه های عصبی مصنوعی به منظور پیش بینی بلند مدت بارش حوزه های غربی ایران با در نظر گرفتن اثر سینگال برزگ مقیاس اقلیمی به عنوان پیش بینی کننده های بارش (predictors ) ارائه می¬گردد. سینگال¬های اقلیمی مورد استفاده عبارت از فشارو دمای سطح دریا، اختلاف فشار سطح دریا و ارتفاع معادل سطح 500 هکتوپاسکال در نقاط شاخص می¬باشند. این نقاط شاخص مکان¬هایی در دریاهای مدیترانه و سیاه، گرین لند و آزور را در برمی¬گیرند. متوسط شش ماهه ژوئن تا نوامبر سیگنال¬های فوق الذکر به عنوان ورودی مدل¬های شبکه¬های عصبی در نظر گرفته شده ومتوسط بارش ماه¬های ژانویه تا ژوئن سال بعد نیز،که درصد قابل ملاحظه¬ای از بارش سالانه خواهد بود، خروجی این مدل¬ها را تشکیل می¬دهد. برای مدلسازی سیستم از شبکه¬های عصبی تاخیر زمانی با الگوریتم یادگیری تطبیقی استفاده می¬گردد. به منظور مقایسه، مدل آماریARMAX نیزبرای پیش¬بینی بارش منطقه به کار گرفته می¬شود. نتایج بدست آمده حاکی از کارآیی مناسب و دقت قابل قبول شبکه¬های عصبی مصنوعی درپیش¬بینی بلندمدت بارش است .ازنتایج این روش می¬توان جهت تخمین وضعیت بارش سال آینده و به تبع آن در برنامه¬ریزی و مدیریت بهینه¬ی منابع آب استفاده نمود.

کلیدواژه ها:

پیش بینی بلندمدت بارش ، سیگنال های بزرگ مقیاس اقلیمی ، شبکه های عصبی مصنوعی

کد مقاله/لینک ثابت به این مقاله

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/5943/

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:
کارآموز، محمد و رمضانی، فرید و رضوی، سامان،1385،پیش بینی بلندمدت بارش با استفاده از سیگنال های هواشناسی : کاربرد شبکه های عصبی مصنوعی،هفتمین کنگره بین المللی مهندسی عمران،تهران،،،https://civilica.com/doc/5943

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: (1385، کارآموز، محمد؛ فرید رمضانی و سامان رضوی)
برای بار دوم به بعد: (1385، کارآموز؛ رمضانی و رضوی)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

مدیریت اطلاعات پژوهشی

صدور گواهی نمایه سازی | گزارش اشکال مقاله | من نویسنده این مقاله هستم

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

کدام مقالات به این منبع استناد نموده اند


بر اساس سیستم تحلیلی استنادات مقالات، تاکنون برای نگارش 11 مقاله استفاده شده است.

علم سنجی و رتبه بندی مقاله

مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
نوع مرکز: دانشگاه دولتی
تعداد مقالات: 20,797
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 پیشنهادی مرتبط

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