مقاله توسعه روش های رگرسیونی با استفاده از رویکرد فازی و شبکه عصبی در ریز مقیاس سازی اطلاعات جوی

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

  مقاله توسعه روش های رگرسیونی با استفاده از رویکرد فازی و شبکه عصبی در ریز مقیاس سازی اطلاعات جوی دارای ۱۶ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله توسعه روش های رگرسیونی با استفاده از رویکرد فازی و شبکه عصبی در ریز مقیاس سازی اطلاعات جوی  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 روش های رگرسیونی با استفاده از رویکرد فازی و شبکه عصبی در ریز مقیاس سازی اطلاعات جوی،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقاله توسعه روش های رگرسیونی با استفاده از رویکرد فازی و شبکه عصبی در ریز مقیاس سازی اطلاعات جوی :

تعداد صفحات:۱۶
چکیده:
شواهد گویای اثرات قابل ملاحظه تغییر اقلیم بر محیط زیست جهان است. به طور معمول تغییر سریع اقلیم خطر خسارت های بیشتری را به همراه دارد. نتایج مدل های گردش عمومی حاکی از افزایش تراز سطح دریاها و به دنبال آن بروز سیل ها و حوادث طبیعی است. برای استفاده از نتایج مدل های گردش عمومی که دارای وضوح مکانی کم و غالبا همبستگی کم با اطلاعات مشاهداتی هستند، نیاز به ریز مقیاس کردن داده ها در حوضه آبریز مورد مطالعه است. در این تحقیق پس از معرفی دو مدل SDSM و DMDM برای ریز مقیاس سازی آماری، به توسعه مدل DMDM به کمک روش ها داده کاوی رگرسیونی با استفاده از رویکرد فازی و شبکه عصبی پرداخته شده است. در نهایت مدل توسعه داده شده با شاخص های خطای متنوعی مورد ارزیابی قرار گرفته است. در این مقاله، حوضه نیمه خشک آدری در استان کرمان به عنوان مطالعه موردی انتخاب شده است. ایستگاه مورد مطالعه تعداد روزها بدون بارش فراوانی داشته است که به موجب آن، پیچیدگی فرآیند ریزمقیاس سازی افزایش یافته است. نتایج استفاده از دو مدل SDSM و DMDM که در این منطقه ارائه شده است، نشانگر برتری DMDM توسعه داه شده در قیاس با SDSM و DMDM اولیه است. این برتری در شبیه سازی وقوع و مقدار و انحراف از معیار و پیش بینی بارش مشهود است.