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

Long-Lead Rainfall Forecasting, Using Dynamic Neural Networks: Case Study of Western Part of Iran

اعتبار موردنیاز: ۱ | تعداد صفحات: ۸ | تعداد نمایش خلاصه: ۱۴۸۹ | نظرات: ۰
سرفصل ارائه مقاله: Climate Prediction and Long-term Forecasting
سال انتشار: ۱۳۸۴
کد COI مقاله: IKWCM01_010
زبان مقاله: انگلیسی
حجم فایل: ۵۰۴.۷۵ کلیوبایت (فایل این مقاله در ۸ 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 ۸ 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 Long-Lead Rainfall Forecasting, Using Dynamic Neural Networks: Case Study of Western Part of Iran

  Mohammad Karamouz - Professor, School of Civil Engineering, University of Tehran
  Sarnan Razavr - Graduate Research Assistant, School of Civil and Environmental Engineering, Amirkabir University (Tehran Polytechnic)
  Shahab Araghinejad - Ph.D., School of Civil and Environmental Engineering, Amirkabir University (Tehran Polytechnic)

چکیده مقاله:

Application of Temporal Neural Networks in long-lead forecasting of seasonal rainfall over western part of Iran is presented. Three approaches including application of time delay operators, recurrent connections as well as a hybrid method are used to design Artificial Neural Network (ANN)-based models. Climatic variables including the difference between Sea Level Pressure (SLP) at different characteristic locations in Middle-East and Europe are used as the predictors of the models as well as the persistence between rainfall time series. The characteristic locations include some parts of Mediterranean and Black sea, Greenland, and Azores. The models are calibrated based on 31-year data of historical regional rainfall and are validated by a cross validation procedure. Further, an Auto Regressive Moving Average with eXogenous input (ARMAX) are used as the baselines for assessing the performance of the dynamic networks. The results demonstrated that all temporal neural networks especially time delay recurrent neural network perform significantly better than statistical ARMAX models in long-lead seasonal rainfall forecasting in west of Iran.

کلیدواژه‌ها:

Rainfall, Forecasting, Temporal Neural Networks, ARMAX

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-IKWCM01-IKWCM01_010.html
کد COI مقاله: IKWCM01_010

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:
Karamouz, Mohammad; Sarnan Razavr & Shahab Araghinejad, ۱۳۸۴, Long-Lead Rainfall Forecasting, Using Dynamic Neural Networks: Case Study of Western Part of Iran, اولین کارگاه مشترک ایران و کره در مدلسازی اقلیم, مشهد, پژوهشکده اقلیم شناسی, https://www.civilica.com/Paper-IKWCM01-IKWCM01_010.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: (Karamouz, Mohammad; Sarnan Razavr & Shahab Araghinejad, ۱۳۸۴)
برای بار دوم به بعد: (Karamouz; Razavr & Araghinejad, ۱۳۸۴)
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 :

  • Anmala, J., Zhang, B., and Govindaraju, R. S. (2000), ،4Comparison ...
  • Atiya, A., and Parlos, A., (1992), ،Nonlinear system identification using ...
  • Bose, N. K., Liang, P., (1 996), *Neural Network Fundamentals ...
  • Coulibaly, P., Anctil, F., and Bobe e, B. (2001), ،4Multivariate ...
  • Elman, J. L. (1990), ،#Finding structure in time.?? Cognitive Sci., ...
  • French, M.N., Krajewski, W.F., and Cuykendall, R.R., (1992), 0Rainfall forecasting ...
  • Karamouz, M., Szidarovszky, F., and Zahraie, B., (2003), Water Resources ...
  • Karamouz, M., (2005), Lorg-lead ra infall forecas ting using large ...
  • Sajikumar, N., and Th andaveswara, B. S. (1999), ،Non-linear rainfall-runoff ...
  • Toth, E., Brath, A., and Montanari, _ (2000), "Comparison of ...
  • 1. Waibel, A., Hanazawa, T., Hintin, G., Shikano, K., and ...
  • علم سنجی و رتبه بندی مقاله

    مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
    نوع مرکز:
    تعداد مقالات: ۶۳۸۷۴
    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.