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 شبکه های عصبی آماری، فازی و پرسپترونی در پیش بینی خشکسالی(مطالعه موردی: ایستگاه گنبد کاووس)

سال انتشار: 1395
کد COI مقاله: JR_JSW-30-1_021
زبان مقاله: فارسیمشاهده این مقاله: 181
فایل این مقاله در 13 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 13 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله کاربرد شبکه های عصبی آماری، فازی و پرسپترونی در پیش بینی خشکسالی(مطالعه موردی: ایستگاه گنبد کاووس)

سید محمد حسینی موغاری - دانشجوی دکتری مهندسی منابع آب
شهاب عراقی نژاد - استادیار گروه مهندسی آبیاری و آبادانی، دانشکده مهندسی و فناوری کشاورزی، پردیس کشاورزی و منابع طبیعی،دانشگاه تهران

چکیده مقاله:

درک صحیح زمان شروع خشکسالی در هر منطقه به مدیریت و کاهش خسارت های ناشی از خشکسالی کمک شایانی می کند. هدف این تحقیق، پایش و پیش بینی خشکسالی در ایستگاه گنبدکاووس در مقیاس های زمانی کوتاه مدت، میانمدت و بلندمدت است. بدین منظور شاخص بارندگی استاندارد SPI در مقیاس های زمانی 1، 3، 6، 9، 12، 24 ماهه مورد استفاده قرار گرفت. برای محاسبه SPI از آمار ماهانه بارندگی این ایستگاه، در طی سال های آبی 1351-52 تا 86-1385 استفاده شد. پس از پایش خشکسالی، بر اساس سری زمانی SPI با استفاده از چهار روش هوش مصنوعی شامل شبکه عصبی پرسپترون چند لایه MLP سیستم استنباط عصبی-فازی تطبیقی ANFIS، شبکه عصبی مبتنی بر توابع پایه شعاعی RBF و شبکه عصبی رگرسیون تعمیم یافته GRNN اقدام به پیش بینی خشکسالی گردید. نتایج مربوط به پایش نشان داد، چهار دوره طولانی مدت خشکسالی مربوط به سال های 53-58، 60-62، 67-70 و 73-76 در طول دوره آماری وجود دارد. در قسمت پیش بینی، نتایج حاکی از افزایش دقت پیش بینی ها، با افزایش مقیاس محاسبه SPI بود؛ به نحوی که بر اساس نتایج حاصل از مدل MLP ضریب همبستگی بین مقاد یر مشاهداتی SPI و مقادیر پیش بینی شده آن، برای SPI1 و SPI24 به ترتیب 0/009 و 0/949 بوده است . همچنین با توجه به نتایج مدل های RBF ،ANFIS و GRNN ترتیب ضریب همبستگی مربوط پیش بینی مقادیر SPI1 و SPI24 تا 0/925 ، 0/263، تا 0/953، 0/210، تا 0/955 متغیر بود. درمجموع با مقایسه نتایج مدل های مورد استفاده ANFIS بهترین عملکرد و بعد از آن GRNN بهترین نتایج را ارایه نموده است

کلیدواژه ها:

توابع پایه شعاعی، شاخص بارندگی استاندارد، سیستم استنباط عصبی-فازی تطبیقی، هوش مصنوعی

کد مقاله/لینک ثابت به این مقاله

کد یکتای اختصاصی (COI) این مقاله در پایگاه سیویلیکا JR_JSW-30-1_021 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/666818/

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:
حسینی موغاری، سید محمد و عراقی نژاد، شهاب،1395،کاربرد شبکه های عصبی آماری، فازی و پرسپترونی در پیش بینی خشکسالی(مطالعه موردی: ایستگاه گنبد کاووس)،https://civilica.com/doc/666818

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: (1395، حسینی موغاری، سید محمد؛ شهاب عراقی نژاد)
برای بار دوم به بعد: (1395، حسینی موغاری؛ عراقی نژاد)
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
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.

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