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

ارزیابی توانایی مدل های هوشمند در پیش بینی بارندگی ماهانه به کمک الگوهایپیوند از دور (مطالعه موردی استان خراسان رضوی)

اعتبار موردنیاز PDF: ۱ | تعداد صفحات: ۱۰ | تعداد نمایش خلاصه: ۲۸ | نظرات: ۰
سال انتشار: ۱۳۹۴
کد COI مقاله: JR_JSW-29-2_003
زبان مقاله: فارسی
حجم فایل: ۲۵۳.۵۹ کیلوبایت (فایل این مقاله در ۱۰ صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این مقاله

متن کامل این مقاله دارای ۱۰ صفحه در فرمت PDF قابل خریداری است. شما می توانید از طریق بخش روبرو فایل PDF این مقاله را با پرداخت اینترنتی ۳,۰۰۰ تومان 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 ۱۰ صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله ارزیابی توانایی مدل های هوشمند در پیش بینی بارندگی ماهانه به کمک الگوهایپیوند از دور (مطالعه موردی استان خراسان رضوی)

  فرزانه نظریه - دانشجوی دکتری آبیاری و زهکشی گروه مهندسی آب، دانشکدهکشاورزی، دانشگاه فردوسی مشهد
    حسین انصاری - دانشیار گروه مهندسی آب، دانشکدهکشاورزی، دانشگاه فردوسی مشهد

چکیده مقاله:

الگوهای پیوند دور از جمله عوامل موثر بر میزان بارش می باشند، در این تحقیق توانایی مدل های هوشمند در پیش بینی بارندگی ماهانه به کمک داده های پیوند از دور در هشت ایستگاه سینوپتیک استان خراسان رضوی برای سال های 1991 تا 2010 مورد بررسی قرار گرفت . مدل های هوشمند مورد بررسی عبارتند از مدل شبکه عصبی مصنوعی، مدل استنتاج فازی و مدل نروفازی. معیارهای آماری برای مقایسه نتایج مدل ها شامل ضریب همبستگی، میانگین خطای اریبی، میانگین مربعات خطا و معیارهای ترکیبی جاکووی دز و صباغ م یباشد. پس از یافتن بهترین ساختار برای مدل های هوشمند و مقایسه آن ها، مشخص گردید مدل نروفازی بهترین نتایج را دارا می باشد. معیار های آماری برای پی شبینی بارش به روش نروفازی به ترتیب در یک ماهه آینده برابر 0/8، 0/55-، 0/43، 0/7، 0/91 در یک ماهه آینده برابر 0/79، 1/32-، 0/48، 1/56، 0/4 و برای سه ماهه آینده برابر 0/73، 1/37-، 0/54، 1/47، 0/36 به دست آمد. نتایج مدل های هوشمند برای ایستگاهی که داده های آن در بخش آموزش بکار برده نشده بود حاکی از این است که مدل ها برای منطقه جغرافیایی آموزش دیده توانایی پیش بینی بارش را دارند. بررسی دقت مدل نروفازی در هر یک از کلاس های شاخص بارندگی استاندارد نشان داد که این مدل در برآورد مقادیر بارش در کلاس های تر سالی بسیار شدید و تر سالی شدید کم برآورد داشته است . در نهایت نتایج این تحقیق نشان داد که مدل های هوشمند مخصوصا مدل نروفازی ابزار مناسبی برای پیش بینی بارندگی می باشند، اما از این مدل ها در کلاس های تر سالی بسیار شدید و تر سالی شدید با تامل بیشتری باید استفاده نمود.

کلیدواژه‌ها:

پیش بینی بارندگی، الگوهای پیوند از دور، سیستم استنتاج فازی، شبکه عصبی مصنوعی، شبکه نروفازی

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_JSW-JR_JSW-29-2_003.html
کد COI مقاله: JR_JSW-29-2_003

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:
نظریه, فرزانه و حسین انصاری، ۱۳۹۴، ارزیابی توانایی مدل های هوشمند در پیش بینی بارندگی ماهانه به کمک الگوهایپیوند از دور (مطالعه موردی استان خراسان رضوی)، فصلنامه آب و خاک 29 (2)، https://www.civilica.com/Paper-JR_JSW-JR_JSW-29-2_003.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: (نظریه, فرزانه و حسین انصاری، ۱۳۹۴)
برای بار دوم به بعد: (نظریه و انصاری، ۱۳۹۴)
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: ۲۱۶۷۹
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 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.