مقاله ارزیابی شبکه های عصبی مصنوعی در شبیه سازی و پیشبینی سطح ایستابی دشت قاین دروضعیت خشکسالی و تهدید شرایط بیابانزایی

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

  مقاله ارزیابی شبکه های عصبی مصنوعی در شبیه سازی و پیشبینی سطح ایستابی دشت قاین دروضعیت خشکسالی و تهدید شرایط بیابانزایی دارای ۹ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله ارزیابی شبکه های عصبی مصنوعی در شبیه سازی و پیشبینی سطح ایستابی دشت قاین دروضعیت خشکسالی و تهدید شرایط بیابانزایی  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 ارزیابی شبکه های عصبی مصنوعی در شبیه سازی و پیشبینی سطح ایستابی دشت قاین دروضعیت خشکسالی و تهدید شرایط بیابانزایی،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقاله ارزیابی شبکه های عصبی مصنوعی در شبیه سازی و پیشبینی سطح ایستابی دشت قاین دروضعیت خشکسالی و تهدید شرایط بیابانزایی :

تعداد صفحات:۹

چکیده:

بیابانزایی تخریب سرزمین در مناطق خشک و نیمهخشک است و به معنی کاهش یا از دست رفتن توان تولیدی یا اقتصادی اراضی دیم، مرتع، چراگاه، جنگل، بوتهزار در مناطق خشک، نیمه خشک میباشد. به طور کلی عوامل موثر بربیابانزایی شامل فرسایش خاک ناشی از باد و یا آب، بر هم خوردن ارتباط بین بهرهبرداران و منابع طبیعی، از بین رفتن پوشش گیاهی (بخصوص گونههای بومی هر منطقه)، افت آبهای زیر زمینی و خشک شدن قناتها و ; میباشند. درتحقیق حاضر به بررسی رابطه بین افت آبهای زیرزمینی در شرایط خشکسالی فرضی در وقوع عوامل بیابانزایی دو منطقه در قاین به کمک شبکه های عصبی مصنوعی پرداخته میشود. شبکه عصبی مصنوعی سیستمی نوین جهتتجزیه و تحلیل دادهها میباشد، که با الهام از طرز کار مغز بشر ساخته شده است و قادر است به سادگی ارتباط پنهانمیان دادهها را حتی دادههایی که دارای ارتباط غیر خطی، توزیعی و ; کشف کند. متغیرهای مورد بررسی برای یک دوره آماری ۱۲ ساله و مقیاس ماهانه از سال ۷۶-۱۳۸۸ مورد استفاده قرار میگیرد. ۱۱۸ ماه از دوره آماری موجود برای آموزش و ۲۶ ماه دیگر به عنوان اعتبارسنجی و آزمون شبکه استفاده میشود. نتایج حاکی از آن است که شبکهعصبی برگشتی با الگوریتم آموزش لونبرگ مارکورت با ساختارRNN- LM) نسبت به سایر شبکه های عصبی مصنوعی از دقت بالاتری جهت شبیهسازی و پیشبینی تراز سطح ایستابی در وضعیت خشکسالی و ایجاد شرایط بیابانزایی برخوردار میباشد