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

پیش بینی بلند مدت بارش با استفاده از سیگنال های هواشناسی، کاربرد شبکه های عصبی مصنوعی (منطقه جنوب شرق ایران)

اعتبار موردنیاز: ۱ | تعداد صفحات: ۹ | تعداد نمایش خلاصه: ۴۵۴۱ | نظرات: ۰
سرفصل ارائه مقاله: تغییر اقلیم، سیلاب و خشکسالی
سال انتشار: ۱۳۸۵
کد COI مقاله: WRM02_092
زبان مقاله: فارسی
حجم فایل: ۱.۱۳ مگابات (فایل این مقاله در ۹ 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 ۹ 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 پیش بینی بلند مدت بارش با استفاده از سیگنال های هواشناسی، کاربرد شبکه های عصبی مصنوعی (منطقه جنوب شرق ایران)

    محمد کارآموز (شناسه پژوهشگر - Researcher ID: ۳۳۸)
استاد دانشکده عمران دانشگاه تهران
  مریم رحیمی فراهانی - دانشجوی کارشناسی ارشد، عمران - آب دانشگاه صنعتی امیرکبیر
  علی مریدی - دانشجوی دکتری آب دانشگاه صنعتی امیرکبیر

چکیده مقاله:

پیش بینی بلند مدت بارش در برنامه ریزی و مدیریت منابع آب، خصوصا در مناطق با اقلیم خشک و نیمه خشک، از اهمیت بالایی برخوردار است. دراین مقاله، روشی برای پیش بینی بارش سیگنال های بزرگ مقیاس اقلیمی به عنوان پیش بینی کننده (Predictor) و شبکه های عصبی مصنوعی به عنوان ابزار شبیه سازی و پیش بینی کننده، مورد استفاده قرار گرفته اند. روش ارائه شده از دو گام تشکیل شده است. درگام اول، ارتباط بین سیگنال های اقلیمی از جمله تغییرات فشار در تراز سطح آب دریا (SLP) و همچنین اختلاف فشار بین نقاط پر فشار و کم فشار (SLP دلتا) با بارش منطقه مورد مطالعه تعیین میگردد. در گام دوم، مدل شبکه عصبی مصنوعی برای پیش بینی میزان بارش بر اساس سیگنال های انتخابی در گام اول توسعه داده شده است.
برای بررسی کارآیی روش پیشنهادی، از آن برای پیش بینی بارش حوزه آبریز رودخانه کاجو واقع در جنوب شرق ایران استفاده شده است. در این راستا همبستگی بارش در 5 ماه آذر تا فروردین که 75% بارش سالانه را در بر می گیرند، در تاخیرهای مختلف، با سیگنال های اقلیمی منطقه مورد بررسی قرار گرفته است. پس از تعیین سیگنال های موثر و نقاط شاخص، مدل شبکه عصبی برای پیش بینی بارش منطقه تدوین شده است. نتایج بدست امده نشان دهنده کارآیی مناسب و دقت قابل قبول شبکه های عصبی مصنوعی در پیش بینی بلند مدت بارش می باشد به طوری که بارش های واقعی در 70% از سال ها در دامنه تعریف شده پیش بینی قرار می گیرند . از این رو، با استفاده از روش توسعه داده شده می توان وضعیت بارش های حوزه را از قبل تعریف نمود و در مدیریت و بهره برداری از منابع آب حوزه دخالت داد.

کلیدواژه‌ها:

پیش بینی بلند مدت بارش, سیگنال های بزرگ مقیاس اقلیمی, شبکه های عصبی مصنوعی

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-WRM02-WRM02_092.html
کد COI مقاله: WRM02_092

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:
کارآموز, محمد؛ مریم رحیمی فراهانی و علی مریدی، ۱۳۸۵، پیش بینی بلند مدت بارش با استفاده از سیگنال های هواشناسی، کاربرد شبکه های عصبی مصنوعی (منطقه جنوب شرق ایران)، دومین کنفرانس مدیریت منابع آب، اصفهان، دانشگاه صنعتی اصفهان، انجمن علوم و مهندسی منابع آب ایران، https://www.civilica.com/Paper-WRM02-WRM02_092.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: (کارآموز, محمد؛ مریم رحیمی فراهانی و علی مریدی، ۱۳۸۵)
برای بار دوم به بعد: (کارآموز؛ رحیمی فراهانی و مریدی، ۱۳۸۵)
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 :

  • Coulibaly, P. et al (2001), "Multivariate Reservoir Inflow Forcasting Using ...
  • Clouse, D. S. _ Giles, C. L. Horne, B. G. ...
  • Coulibaly, P., Anctil, F., and Bobee, B. (2001). "Multivariate reservoir ...
  • Maier, H. R., and Dandy, G. C. (1996). "Use of ...
  • کارآموز، م.، (۱۳۸۴)، " پیش بینی دراز مدت بارش با ...
  • کارآموز، م.، (۱۳۸۵)، " تعیین پهنه سیل گیر حوزه آبریز ...
  • کوره پزان، الف.، (۱۳۸۲)، " تاثیر سیگنال های هواشناسی در ...
  • کدام مقالات به این منبع استناد نموده اند

    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.