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

پیش بینی خشک سالی با استفاده از شبکه ی عصبی مصنوعی،مطالعه ی موردی : ایستگاه شیراز

اعتبار موردنیاز PDF: ۱ | تعداد صفحات: ۱۷ | تعداد نمایش خلاصه: ۱۹ | نظرات: ۰
سال انتشار: ۱۳۹۱
کد COI مقاله: JR_JARGS-2-8_006
زبان مقاله: فارسی
حجم فایل: ۳۷۶.۸۱ کیلوبایت (فایل این مقاله در ۱۷ صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این مقاله

متن کامل این مقاله دارای ۱۷ صفحه در فرمت PDF قابل خریداری است. شما می توانید از طریق بخش روبرو فایل PDF این مقاله را با پرداخت اینترنتی ۳۰,۰۰۰ ریال بلافاصله دریافت فرمایید
قبل از اقدام به دریافت یا خرید مقاله، حتما به فرمت مقاله و تعداد صفحات مقاله دقت کامل را مبذول فرمایید.
علاوه بر خرید تک مقاله، می توانید با عضویت در سیویلیکا مقالات را به صورت اعتباری دریافت و ۲۰ تا ۳۰ درصد کمتر برای دریافت مقالات بپردازید. اعضای سیویلیکا می توانند صفحات تخصصی شخصی روی این مجموعه ایجاد نمایند.
برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود فایل PDF مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای ۱۷ صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله پیش بینی خشک سالی با استفاده از شبکه ی عصبی مصنوعی،مطالعه ی موردی : ایستگاه شیراز

  محمود خسروی - دانشیار گروه جغرافیای طبیعی و اقلیم شناسی، دانشگاه سیستان و بلوچستان
  مریم نصیری - کارشناسی ارشد اقلیم شناسی در برنامه ریزی محیطی، دانشگاه سیستان و بلوچستان
  سیدعلی اکبر صفوی - دانشیار مهندسی سیستم ها و کنترل، دانشگاه شیراز
  نرجس پورجعفریان - کارشناسی ارشد برق کنترل، دانشگاه شیراز

چکیده مقاله:

در این پژوهش برای پیش بینی خشکسالی در شهرستان شیراز از شبکه ی عصبی مصنوعی به عنوان یک روش کارآمد که شبیه سازی خشکسالی را براساس داده های واقعی به دست می آورد، استفاده گردیده است. در ابتدا برای تحلیل ارتباط میان خشکسالی با شاخص های پیوند از دور و عناصر اقلیمی در مقیاس های زمانی متفاوت از روش همبستگی استفاده گردید. با استفاده از روش همبستگی مناسب ترین متغیرها در مقیاس زمانی انتخاب شد. در مرحله ی بعدی با استفاده از مدل شبکه های عصبی مصنوعی پرسپترون چند لایه و متغیرهای چون شاخص های پیوند از دور و عناصر اقلیمی موثر به عنوان ورودی شبکه عصبی و مقادیر شاخص خشکسالی SPI که نمایش کمی خشکسالی میباشد، به عنوان خروجی شبکه عصبی مصنوعی، اقدام به پیش بینی خشکسالی های منطقه شیراز گردید. براساس نتایج به دست آمده در پیشبینی پیوسته 1 و 3 ماهه خشکسالی، شاخص های پیوند از دور SW monsoon Nino 1+2, Nino3,Nino 4, و عناصر اقلیمی بیشنه ی دما، کمینه ی دما، بیشینه ی رطوبت نسبی، کمینه ی رطوبت نسبی و بارش، موجب بهبود نتایج مدل ها گردید. در پیشبینی فصل زمستان از میان شاخص های پیوند از دور، شاخص NAO زمستانه و از میان عناصر اقلیمی بارش زمستانه، بیشینه رطوبت نسبی زمستانه و بیشینه دما زمستانه، بهترین نتایج را با کمترین خطا و بیشترین ضریب همبستگی ارایه دادهاند. در بررسی روش های الگوریتم ژنتیک و پرندگان نسبت به الگوریتم پس انتشار نتایج تفاوت فاحشی را نشان نداد، لیکن در انتخاب بهینه ترین ساختار شبکه که نهایتا منجر به کارایی بهتر شبکه جهت پیشبینی خشکسالی میشود؛ روش های الگوریتم ژنتیک و پرندگان هوش جمعی کارآمد میباشد.

کلیدواژه‌ها:

خشکسالی، پیشبینی، شبکه عصبی مصنوعی، پرسپترون چند لایه، شاخص های پیوند از دور، عناصر اقلیمی

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-JR_JARGS-JR_JARGS-2-8_006.html
کد COI مقاله: JR_JARGS-2-8_006

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:
خسروی, محمود؛ مریم نصیری؛ سیدعلی اکبر صفوی و نرجس پورجعفریان، ۱۳۹۱، پیش بینی خشک سالی با استفاده از شبکه ی عصبی مصنوعی،مطالعه ی موردی : ایستگاه شیراز، فصلنامه مطالعات جغرافیایی مناطق خشک 2 (8)، https://www.civilica.com/Paper-JR_JARGS-JR_JARGS-2-8_006.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: (خسروی, محمود؛ مریم نصیری؛ سیدعلی اکبر صفوی و نرجس پورجعفریان، ۱۳۹۱)
برای بار دوم به بعد: (خسروی؛ نصیری؛ صفوی و پورجعفریان، ۱۳۹۱)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

علم سنجی و رتبه بندی مقاله

مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
نوع مرکز: دانشگاه دولتی
تعداد مقالات: ۷۶۲۷
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

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
  • مدیریت بحران > خشکسالی
  • 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

    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.