پایش و پیش بینی خشکسالی استان سمنان با استفاده از شاخص خشکسالی SPI، زنجیره مارکوف، شبکه عصبی مصنوعی ANN و GIS

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

 پایش و پیش بینی خشکسالی استان سمنان با استفاده از شاخص خشکسالی SPI، زنجیره مارکوف، شبکه عصبی مصنوعی ANN و GIS دارای ۲۱ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد پایش و پیش بینی خشکسالی استان سمنان با استفاده از شاخص خشکسالی SPI، زنجیره مارکوف، شبکه عصبی مصنوعی ANN و GIS  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 پایش و پیش بینی خشکسالی استان سمنان با استفاده از شاخص خشکسالی SPI، زنجیره مارکوف، شبکه عصبی مصنوعی ANN و GIS،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن پایش و پیش بینی خشکسالی استان سمنان با استفاده از شاخص خشکسالی SPI، زنجیره مارکوف، شبکه عصبی مصنوعی ANN و GIS :

تعداد صفحات :۲۱

چکیده مقاله:

خشکسالی وضعیتی از کمبود بارندگی و افزایش دماست که در هر وضعیت اقلیمی ممکن است رخ دهد. برای تخمین خشکسالی به دلیل دینامیک پیچیده حاکم بر ان لازم است از مدلهای دینامیکی که در آن فرآیندهای حاکم بر پدیده خشکسالی در نظر گرفته می شود، استفاده کرد. مدلهای شبکه عصبی مصنوعی از جمله این مدلها می باشد که قادرند روابط میان ورودیها و خروجی های یک سامانه فیزیکی را که توسط شبکه ای از گره ها که همگی با هم متصل هستنأ، تعیین نمایند. شاخص بارندگی استاندارد شده SPI یکی از معدود شاخصهایی است که در ان مقیاس زمانی برای پایش دوره خشک مدنظر قرار گرفته است نمایه SPI به علت سادگی محاسبات، استفاده از داده های قابل دسترس بارندگی، قابلیت محاسبه برای هر مقیاس زمانی دلخواه و قابلیت بسیار زیاد در مقایسه مکانی نتایج بهعنوان مناسبترین نمایه برای تحلیل خشکسالی بویژه تحلیلهای مکانی شناخته می شود در میان روشهای آماری زنجیره مارکف در علوم جوی در سالهای اخیر مورد توجه جدی قرار گرفته است. زنجیره مارکوف با روش ساده ریاضی مانند ضریب ماتریسها، حل احتمالات مربوط به فرآیندهای وابسته را بسیار آسان نموده است. مدل زنجیره مارکف در علوم مختلفی مانند هواشناسی اقلیم شناسی اقتصاد و صنعت کاربرد وسیعی دارد در این پژوش برای پیش بینی خشکسالی در استان سمنان با استفاده از معادله SPI داده های واقعی بارش به ارقام SPI تبدیل شده سپس ب استفاده از مقیاس طبقه بندی شدت ترسالی و خشکسالی دومارتین شروع به طبقه بندی و تعیین خصوصیات آماری بارش در ایستگاه های مورد مطالعه گردید. سپس داده های پس از نرمال شدن با استفاده از روش شبکه عصبی مصنوعی ANN در نرم افزار متلب با ترکیب ۳۰-۷۰ جهت آموزش و پیش بینی به کار گرفته شدند. داده ورودی برای پیش بینی بارش و خروجی SPI ها در نظر گرفته شدند. روش انتخاب نرونها لایه پنهان به صورت ۲I,I,I+ 2I هشتاد درصد داده ها برای اموزش و بیست درصد برای Validation صحت سنجی در نظر گرفته شد. معیار ارزیابی کار هم RMSE میانگین مجذور خطا و R2 ضریب همبستگی بود. که الویت را به داد های با خطای کمتر دادیم باتوجه به معیار ارزیابی ذکر شده برای ANN بهترین مدل از بین مدلهای شبکه عصبی انتخاب شد پس از انتخاب بهترین مدل پیش بینی خشکسالی برای دو سال انجام شد ۱۳۹۰-۱۳۸۹ در نهایت SPI 24 ماه برای پیش بینی با روش زنجیره مارکف به سالانه تبدیل شدند و به عنوان ورودی مدل زنجیره مارکف در نظر گرفته شدند و خشکسالی برای دو سال پیش بینی شد ۱۳۹۰-۱۳۸۹ و نتایج به دست امده با هر سه مدل در نرم افزار GIS محیط Arc map اجرا شدند. نتایج حاصل از هر سه مدل نشان داد که در سرتاسر استان سمنان شدیدترین خشکسالی ها به ترتیب در سال های ۱۳۸۷ شهرود در مقیاس ۱۲ ماهه ۱۳۸۸ شهرود در مقیاس ۶ ماهه دامغان ۱۳۵۵ در مقیاس ۳ ماهه می باشد.