مقاله پیش بینی خشکسالی های هیدرولوژیکی حوضه رودخانه خرم آباد با استفاده از شاخص SRIو شبکه عصبی مصنوعی

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

  مقاله پیش بینی خشکسالی های هیدرولوژیکی حوضه رودخانه خرم آباد با استفاده از شاخص SRIو شبکه عصبی مصنوعی دارای ۹ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله پیش بینی خشکسالی های هیدرولوژیکی حوضه رودخانه خرم آباد با استفاده از شاخص SRIو شبکه عصبی مصنوعی  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 پیش بینی خشکسالی های هیدرولوژیکی حوضه رودخانه خرم آباد با استفاده از شاخص SRIو شبکه عصبی مصنوعی،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقاله پیش بینی خشکسالی های هیدرولوژیکی حوضه رودخانه خرم آباد با استفاده از شاخص SRIو شبکه عصبی مصنوعی :

تعداد صفحات:۹
چکیده:
خشکسالی پدیده ای جهانی می باشد که تقریبا می تواند در هر ناحیه به وقوع پیوسته و منجر به زیان ها و خسارت های عمده اقتصادی،اجتماعی و زیست محیطی شود .در سال های اخیر این گونه خسارات و هزینه ها افدایش قابل ملاحظه ای داشته اند.به همین دلیل نیاز به بررسی خشکسالی ضروری به نظر می رسد.برای کاهش خسارات نیاز است تا به بررسی وضعیت خشکسالی در هر منطقه پرداخته شود.بنابراین شناخت شهر خرم آباد به منظور مدیریت بهتر منابع آب و انجام طرح های مختلف در منطقه، از اهمیت بالایی بر خوردار است.هدف از انجام این تحقیق پیش بینی خشکسالی هیدرولوژیک با استفاده از شاخص SRIو شبکه عصبی مصنوعی در خرم آباد پرداخته شد. در این تحقیق ابتدا شاخص های SPI و SRI محاسبه شدندو بین هر دو شاخص همبستگی گرفته شد.در ادامه دو مول در شبکه عصبی برای تعیین مدل بهینه براد پیش بینی خشکسالی شهر خرم آباد اجرا شد.در مدل اولSPI و در مدل دوم بارش باران و دما به عنوان نرون های لایه ورودی به شبکه معرفی شدند.در مدل اول ساختار ۱-۹-۱ با ضریب تبیین و ریشه میانگین مربعات خطا به ترتیب برابر ۰/۸۶۹ و ۰/۶۰۱ به عنوان مدل بهینه انتخاب شد و در مدل دوم ساختار ۱-۱۱-۲ با ضریب تبیین و ریشه میانگین مربعات خطا به ترتیب برابر ۰/۸۳۶ و ۰/۶۱۲ به عنوان ساختار شبکه عصبی مصنوعی بهینه انتخاب شد.نتایج نشان از دقت مدل اول،یعنی مدلی با ورودی شاخص SPI بیشتر از مدل دوم با ورودی بارش و دما داشت.