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

Evaluation of Meteorological Signals for Drought Forecasting, Using Regression Methods and Artificial Neural Networks

اعتبار موردنیاز: ۱ | تعداد صفحات: ۱۲ | تعداد نمایش خلاصه: ۱۳۵۷ | نظرات: ۰
سال انتشار: ۱۳۸۴
کد COI مقاله: IKWCM01_022
زبان مقاله: انگلیسی
حجم فایل: ۷۶۴.۵۹ کلیوبایت (فایل این مقاله در ۱۲ 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 ۱۲ 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 Evaluation of Meteorological Signals for Drought Forecasting, Using Regression Methods and Artificial Neural Networks

Kiarash Bagherzadeh - Tarbiat modarres University, College of Agriculture, Iran
Saeid Morid - Tarbiat modarres University, College of Agriculture, Iran, Corresponding author
Ghaemi - Iran Meteorologycal Organization , Tehran , Iran

چکیده مقاله:

Drought is one of the destructive natural disasters, which causes most damages to water resources. Drought forecasting can playa crucial role in water management and optimum operation of water resources. In this research work, it was tried to forecast one year ahead drought status with aid the Arterial Nerrral Networks (ANNs) technique and time series of the SPI and ED1 drought indices. In addition to the indices; rainfalls and large scale meteorological index (i.e. SO1 and NAG) were introduced to the ANNE) as inputs that were not effective as the drought indices. The results showed that the selected algorithm was able to forecast the coming six months drought or wet classes correctly in 80% of the months. These amounts for the nine months ahead were 68% and 60% and for the twelve months are 63 % and 58%, which are eenerally considered to be close results. Finally, comparison of the results for the two indices u revealed that the eITors are more frequent in case of the SPI, such that up to 3 and 4 class difference between the forecasted and the observed ones W8,S observed, while for the ED1 it was Jess than 2 classes.

کلیدواژه‌ها:

Drought Indices, Meteorological Signals, Arterial Neural Networks, Drought Forecasting, Tehran Province.

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_022.html
کد COI مقاله: IKWCM01_022

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:
Bagherzadeh, Kiarash; Saeid Morid & Ghaemi, ۱۳۸۴, Evaluation of Meteorological Signals for Drought Forecasting, Using Regression Methods and Artificial Neural Networks, اولین کارگاه مشترک ایران و کره در مدلسازی اقلیم, مشهد, پژوهشکده اقلیم شناسی, https://www.civilica.com/Paper-IKWCM01-IKWCM01_022.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: (Bagherzadeh, Kiarash; Saeid Morid & Ghaemi, ۱۳۸۴)
برای بار دوم به بعد: (Bagherzadeh; Morid & Ghaemi, 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 :

  • l. ASCE Task Committee on Applications of Artificial Neural Networks ...
  • Birikundavyi S., Labib R., Trung HT. and Rousselle J. 2002. ...
  • Byun HR, Wilhite DA. 1996. Daily quantification of drought severity ...
  • Coulibaly P., Anctil F. and Bobee, B. 2000. Daily reservoir ...
  • Gabriel KR. and Neumann. 1962. A Markov chain model for ...
  • Govindaraju, R.S. and Rao, R. A. 2000. Artificial neural networks ...
  • Hornik K., Stinchcombe _ and White H. 1990. Universal approx ...
  • Jain SK, Das. A.and Sirvastava DK.1999. Application of ANN for ...
  • Luk, K.C., Ball, J.E., and Sharma, A. 2000. A study ...
  • Koureh Pazan A. (2003) Impact of meteorolo gical signals on ...
  • McKee TB.. Doesken NJ. and Kliest J. 1993. The relationship ...
  • Modarres Pour A. 1995. Iran climate abnormality and ENSO. M.Sc. ...
  • Morid S. Gosain AK. and Ashok K. Keshari. 2002. Solar ...
  • Morid S. Smakhtin V. and Moghaddasi M. 2005. Comparison of ...
  • Nazemossadat _ 1999. Assessment of the different phases of ENSO ...
  • Nicholson S.E. and Selato J.C. 2000. The influence of La-Nina ...
  • Sajikumar K. and Thandav eswara BS. 1999. A non-linear rainfall-runoff ...
  • Rumelhart J. Hinton G.E. and Williams R.J. 1986. Learming internal ...
  • Torranin P. 1976. Proceeding of the second international symposium in ...
  • Trenberth K.. and Caron J. 2000. The Southern Oscillation revisited: ...
  • Zealand CM. Burn D. and Simonovic SP. 1999. Short termn ...
  • Yapo PO. Gupta VH. and Sorooshian S. 1996. Automatic calibration ...
  • 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.