CIVILICA We Respect the Science
(ناشر تخصصی کنفرانسهای کشور / شماره مجوز انتشارات از وزارت فرهنگ و ارشاد اسلامی: ۸۹۷۱)
عنوان
مقاله

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

اعتبار موردنیاز: ۱ | تعداد صفحات: ۱۱ | تعداد نمایش خلاصه: ۱۲۷۷ | نظرات: ۰
سرفصل ارائه مقاله: آب و سازه های هیدرولیکی
سال انتشار: ۱۳۸۵
نوع ارائه: پوستر
کد COI مقاله: ICCE07_033
زبان مقاله: فارسی
حجم فایل: ۳۶۱.۷۷ کلیوبایت (فایل این مقاله در ۱۱ صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این مقاله

اگر در مجموعه سیویلیکا عضو نیستید، به راحتی می توانید از طریق فرم روبرو اصل این مقاله را خریداری نمایید.
با عضویت در سیویلیکا می توانید اصل مقالات را با حداقل ۳۳ درصد تخفیف (دو سوم قیمت خرید تک مقاله) دریافت نمایید. برای عضویت در سیویلیکا به صفحه ثبت نام مراجعه نمایید. در صورتی که دارای نام کاربری در مجموعه سیویلیکا هستید، ابتدا از قسمت بالای صفحه با نام کاربری خود وارد شده و سپس به این صفحه مراجعه نمایید.
لطفا قبل از اقدام به خرید اینترنتی این مقاله، ابتدا تعداد صفحات مقاله را در بالای این صفحه کنترل نمایید. در پایگاه سیویلیکا عموما مقالات زیر ۵ صفحه فولتکست محسوب نمی شوند و برای خرید اینترنتی عرضه نمی شوند.
برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود PDF مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای ۱۱ صفحه است در اختیار داشته باشید.

قیمت این مقاله : ۳۰,۰۰۰ ریال

آدرس ایمیل خود را در زیر وارد نموده و کلید خرید با پرداخت اینترنتی را بزنید. آدرس ایمیل:

رفتن به مرحله بعد:

در صورت بروز هر گونه مشکل در روند خرید اینترنتی، بخش پشتیبانی کاربران آماده پاسخگویی به مشکلات و سوالات شما می باشد.

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

    محمد کارآموز (شناسه پژوهشگر - Researcher ID: ۳۳۸)
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.

کلیدواژه‌ها:

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://www.civilica.com/Paper-ICCE07-ICCE07_033.html
کد COI مقاله: ICCE07_033

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؛ فرید رمضانی و سامان رضوی، ۱۳۸۵، پیش بینی بلندمدت بارش با استفاده از سیگنال های هواشناسی : کاربرد شبکه های عصبی مصنوعی، هفتمین کنگره بین المللی مهندسی عمران، تهران، دانشگاه تربیت مدرس، دانشکده عمران، https://www.civilica.com/Paper-ICCE07-ICCE07_033.html

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: (کارآموز, محمد؛ فرید رمضانی و سامان رضوی، ۱۳۸۵)
برای بار دوم به بعد: (کارآموز؛ رمضانی و رضوی، ۱۳۸۵)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

کدام مقالات به این منبع استناد نموده اند


بر اساس سیستم تحلیلی استنادات مقالات، تاکنون برای نگارش ۱۱ مقاله استفاده شده است.

علم سنجی و رتبه بندی مقاله

مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
نوع مرکز:
تعداد مقالات: ۲۹۴۸۱
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.

مدیریت اطلاعات پژوهشی

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

مقالات پیشنهادی مرتبط

مقالات مرتبط جدید

شبکه تبلیغات علمی کشور

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.