مقاله مقایسه تطبیقی مدل شبکه عصبی مصنوعی (ANN) ومدل SARMA در پیش بینی خشکسالی اقلیمی با رویکرد توسعه پایدار منابع آب

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

  مقاله مقایسه تطبیقی مدل شبکه عصبی مصنوعی (ANN) ومدل SARMA در پیش بینی خشکسالی اقلیمی با رویکرد توسعه پایدار منابع آب دارای ۱۰ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله مقایسه تطبیقی مدل شبکه عصبی مصنوعی (ANN) ومدل SARMA در پیش بینی خشکسالی اقلیمی با رویکرد توسعه پایدار منابع آب  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 مقایسه تطبیقی مدل شبکه عصبی مصنوعی (ANN) ومدل SARMA در پیش بینی خشکسالی اقلیمی با رویکرد توسعه پایدار منابع آب،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقاله مقایسه تطبیقی مدل شبکه عصبی مصنوعی (ANN) ومدل SARMA در پیش بینی خشکسالی اقلیمی با رویکرد توسعه پایدار منابع آب :

تعداد صفحات:۱۰
چکیده:
خشکسالی هیدرولوژیکی یک مسئله جدی برای اجتماعات انسانی و اکوسیستمی است که در نتیجه با تغییرات اقلیمی همراه خواهد بود. ۹۰ درصد کشورایران را اقلیم خشک و نیمه خشک در برگرفته و نزدیک به ۷۶ درصد آن با پدیده خشکسالی مواجه بوده است. در دهههای اخیر در بین حوادث طبیعی، پدیده خشکسالی از نظر درجه شدت، طول مدت، مجموع فضای تحت پوشش، خسارات اقتصادی و اثرات اجتماعی و زیست محیطی در جامعه بیشتر از سایر بلایای طبیعی بوده و پیامدهای حاصل از این پدیده ممکن است با تأخیر بیشتری نسبت به سایر حوادث طبیعی نمایان شود. پیش بینی خشکسالی نقش مهمی در طرح و مدیریت منابع طبیعی، سیستمهای منابع آب و; دارد. در عصر کنونی محدودیت منابع آبی جهت تأمین آب مورد نیاز بخشهای مختلف اقتصادی موجب بروز مشکلاتی عمدهای شده و باران به عنوان مهمترین منبع آبی موجود محسوب میشود. از جمله مهمترین مراحل پایش خشکسالی، پیش بینی و برآورد نزولات جوی برای هر منطقه و آبخیز به عنوان یکی از مهمترین پارامترهای اقلیمی در استفاده از منبع آبی محسوب میگردد. تا کنون تلاش بسیاری برای طراحی مدلهای پیش بینی صورت گرفته که از جمله آنها میتوان مدلهای آماریARMA و سایر مدلهای مبتنی بر رگرسیون را نام برد. در دهههای اخیر مدلهای شبکه های عصبی مصنوعی تواناییهای زیادی را در مدلسازی و پیش بینی توابع غیر خطی و غیر ایستا نشان داده و قادرند با پردازش دادههای تجربی، دانش یا قانون نهفته در بطن دادهها را فرا بگیرند . بدین جهت انتظار میرود شبکه های عصبی مصنوعی ابزاری مناسب برای یک مدل پیش بینی باشد. در مطالعه حاضر با به کارگیری اطلاعات بارندگی ایستگاه سینوپتیک شهرستان اهواز طی دوره آماری ۳۵ ساله، نتایج حاصل از پیش بینی مدل خود رگرسیونی فصلی میانگین متحرک انباشتهSARMA)و مدل غیرخطی شبکه عصبی پرسپترون چند لایهMLP) و با الگوریتم آموزشی پس انتشار خطا برای سالهای ۲۰۰۶ تا ۲۰۱۰ با یکدیگر مقایسه و مدلی که داری کمترین معیارهای ارزیابی خطا و پایینترین سطحاختلاف آماری را با میزان واقعی بارندگی در طی دوره زمانی مذکور داشته، برای پیش بینی میزان بارندگی ماهانه و سیکل خشکسالی طی افق زمانی سالهای ۲۰۱۱ تا ۲۰۱۳ منطقه مطالعاتی انتخاب گردید