CIVILICA We Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

بررسی مدل یکی از کمیت های اقلیمی (بارش) با بهره گیری از سنجش از دور

اعتبار موردنیاز : ۱ | تعداد صفحات: ۱۱ | تعداد نمایش خلاصه: ۳۲ | نظرات: ۰
سال انتشار: ۱۳۹۷
کد COI مقاله: NCCESDR05_027
زبان مقاله: فارسی
حجم فایل: ۷۷۱.۸۲ کیلوبایت (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.
برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود فایل 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 : ۳,۰۰۰ تومان

آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله بررسی مدل یکی از کمیت های اقلیمی (بارش) با بهره گیری از سنجش از دور

  اسماعیل نوروزی - دانشجو کارشناسی ارشد GIS دانشگاه تربیت دبیر شهید رجایی
  سعید بهزادی - دکتری GIS، استادیار دانشگاه تربیت دبیر شهید رجایی

چکیده مقاله:

پدیده های اقلیمی از جمله کمیت بارش تحت تاثیر عوامل پارامترهای محیطی زیادی هستند که این امر بحث مدلسازی داده کاوی را در مورد این پدیده ها دشوار می سازد. در این راستا تصاویر ماهواره ای به دلیل دارا بودن امتیازهای قابل توجهی از جمله در دسترس بودن تجزیه تحلیل آنها می توانند نقش بی نظیری را در مدلسازی داده کاوی پدیده های اقلیمی بازی کنند. از این رو پرداختن به بهبود گسترش روش های یادگیری ماشین الگوریتم های مدلسازی با استفاده از داده های سنجش از دور اجتناب ناپذیر است. در این پژوهش قصد داریم به بررسی قابلیت 11 مدل یادگیری ماشین در مدلسازی داده کاوی پدیده بارش با بهره گیری از تصاویر ماهواره ای بپردازیم. از دو روش برای آماده سازی پایگاه داده استفاده کردیم PCA روش مقابل آن با استفاده از انحراف معیار کرولیشن. محاسبه میانگین مربعات خطا نشان داد بطور کلی استفاده از روش PCA ردر آماده سازی کاهش ابعاد پایگاه داده های بزرگ برای تمامی روش های یادگیری ماشین نتیجه بهتری به همراه دارد. مدل بردار پشتیبان SVM با کمترین خطا در روش PCA در رده اول قرار داشت مدل شبکه عصبی مصنوعی در هر دو روش عملکرد خوبی از خود نشان داد در مقابل مدل SEGPR در هر دو روش دارای بیشترین خطا بود. بنابراین می توان گفت با تغییر متد های آماده سازی پایگاه داده بمنظور ورود به مدل ها نتایج مدلسازی می تواند بطور تاثیرگذاری تغییر کند

کلیدواژه‌ها:

پدیده اقلیمی، سنجش از دور، یادگیری ماشین، درخت تصمیم، آماده سازی ورودی

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-NCCESDR05-NCCESDR05_027.html
کد COI مقاله: NCCESDR05_027

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:
نوروزی, اسماعیل و سعید بهزادی، ۱۳۹۷، بررسی مدل یکی از کمیت های اقلیمی (بارش) با بهره گیری از سنجش از دور، سیزدهمین سمپوزیوم بین المللی پیشرفت های علوم و تکنولوژی:سرزمین پایدار،مهندسی عمران و محیط زیست، مشهد، موسسه آموزش عالی خاوران- دانشگاه شهید رجایی - انجمن علوم و فنون دریایی، https://www.civilica.com/Paper-NCCESDR05-NCCESDR05_027.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: (نوروزی, اسماعیل و سعید بهزادی، ۱۳۹۷)
برای بار دوم به بعد: (نوروزی و بهزادی، ۱۳۹۷)
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: ۳۳۰۸
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.