مقاله توسعه مدل تلفیقی غیرخطی پیش بینی خشکسالی مبتنی بر شبکه عصبی مصنوعی و تبدیلات موجک: مطالعه موردی: زیرحوضه سد زاینده رود

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

  مقاله توسعه مدل تلفیقی غیرخطی پیش بینی خشکسالی مبتنی بر شبکه عصبی مصنوعی و تبدیلات موجک: مطالعه موردی: زیرحوضه سد زاینده رود دارای ۱۰ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله توسعه مدل تلفیقی غیرخطی پیش بینی خشکسالی مبتنی بر شبکه عصبی مصنوعی و تبدیلات موجک: مطالعه موردی: زیرحوضه سد زاینده رود  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی مقاله توسعه مدل تلفیقی غیرخطی پیش بینی خشکسالی مبتنی بر شبکه عصبی مصنوعی و تبدیلات موجک: مطالعه موردی: زیرحوضه سد زاینده رود،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقاله توسعه مدل تلفیقی غیرخطی پیش بینی خشکسالی مبتنی بر شبکه عصبی مصنوعی و تبدیلات موجک: مطالعه موردی: زیرحوضه سد زاینده رود :

تعداد صفحات:۱۰

چکیده:

خشکسالی پدیده ای آرام و بخش طبیعی از اقلیم هر منطقه است. پیش بینی خشکسالی نقشمهمی در مدیریت منابع آب و کاهش خسارات خشکسالی ایفا می نماید. توانایی بالای شبکه های عصبی مصنوعی در مدل سازی و پیش بینی سری های زمانی نامانا و غیر خطی در مهندسی آب به اثبات رسیده است و تبدیلات موجک با تجزیه ساختن سری های زمانی به مولفه های قطعی و غیر قطعی سبب بهبود عملکرد شبکه های عصبی در پیش بینی ها می شود. در این مقاله ، مدل تلفیقی مبتنی بر شبکه های عصبی مصنوعی و تبدیلات موجک برای پیش بینی های ۱، ۳ و ۶ ماهه خشکسالی ارائه میگردد. در مدل تلفیقی پیشنهاد شده، نخست سری های زمانی شاخص خشکسالی موثر ماهانه به زیر مولفه ها تجزیه شده و سپس این زیر مولفه به کمک مدل های شبکه عصبی مصنوعی پیش بینی می گردند. برای ساخت الگوهای ورودی شبکه از بارش ماهانه و شاخص بارش استاندارد شده نیز بهره گرفته شده است. نتایج به دست آمده از این مدل تلفیقی برای ۴ ایستگاه چلگرد، قلعه شاهرخ، دامنه فریدن و سد زاینده رود واقع در حوزه آبریز سد زایندهرود نشا ن دهنده کارایی این مدل های تلفیقی در بهبود دقت پیش بینی های ۱، ۳و۶ ماهه خشکسالی نسبت به مدل های شبکه عصبی مصنوعی می باشد.