مقاله پیش بینی SPI خشکسالی در استان یزد با استفاده از شبکه های 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 SPI خشکسالی در استان یزد با استفاده از شبکه های عصبی مصنوعی دارای ۱۰ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله پیش بینی SPI خشکسالی در استان یزد با استفاده از شبکه های 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 SPI خشکسالی در استان یزد با استفاده از شبکه های عصبی مصنوعی،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقاله پیش بینی SPI خشکسالی در استان یزد با استفاده از شبکه های عصبی مصنوعی :

تعداد صفحات:۱۰
چکیده:
خشکسالی یکی از پدیده های خزنده محیطی است که در مناطق خشک و نیمه خشک نمود بیشتری دارد. بنا به اهمیت روز افزون تامین آب در کشور، مدیریت منابع آب و مقابله با خشکسالی، آگاهی از وقوع خشکسالی ها و ترسالی ها در یک ناحیه از ضروری ترین ابزار می باشد. چرا;I LNDVDJعلمی منابع آب موجود در هر ناحیه منوط به شناخت مقدار آب قابل دسترس و نیاز آبی آن ناحیه می باشد. تحقیق حاضر در شهر یزد به منظور بررسی نمایه اندازه گیری خشکسالی برای پیش بینی و ارزیابی مکانی و زمانی این پدیده و مدیریت منابع آبی، از اهمیت ویژه ای در تعیین سیاست های اینده جهت بهینه سازی صرف هزینه ها و استفاده ازاین منابع برخوردار است در این تحقیق، از اطلاعات بارش ماهیانه، برای بدست اوردن شاخص SPI استفاده شده و این شاخص به همراه متغیرهای دما و بارش نرمال شده به عنوان ورودی های شبکه عصبی پرسپترون پیشخورچندلایه MLP، در یک مدل جعبه سیاه، برای پیش بینی خشکسالی در ایستگاه سینوپتیک یزد، انجام گرفته است. بدین منظور، از امکانات وتوابع موجود ازنرم افزار STATISTICAبهره گرفته شده است نتایج نشان می دهند که پیش بینی شاخص SPI ازبین ترکیب های درنظرگرفته شده ترکیبی با متغیرهای sPI دمای حداکثردمای حداقل وبارش درمقیاس زمانی ۱۸ ماهه با بالاترین ضریب همبستگیR= 0.959وخطای ۰.۲۸۱ در مرحله آزمون و با تابع تانژانت هایپربولیک در لایه پنهان بهترین عملکرد را داشته است و قادر به پیش بینی خشکسالی می باشد.