شبیه سازی دمای خاک در اعماق مختلف با استفاده از الگوریتم ترکیبی شبکه عصبی ژنتیک (ANN-GA) و شبکه عصبی (ANN) (منطقه موردی: ایستگاه سینوپتیک زابل)

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

 شبیه سازی دمای خاک در اعماق مختلف با استفاده از الگوریتم ترکیبی شبکه عصبی ژنتیک (ANN-GA) و شبکه عصبی (ANN) (منطقه موردی: ایستگاه سینوپتیک زابل) دارای ۱۰ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد شبیه سازی دمای خاک در اعماق مختلف با استفاده از الگوریتم ترکیبی شبکه عصبی ژنتیک (ANN-GA) و شبکه عصبی (ANN) (منطقه موردی: ایستگاه سینوپتیک زابل)  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 شبیه سازی دمای خاک در اعماق مختلف با استفاده از الگوریتم ترکیبی شبکه عصبی ژنتیک (ANN-GA) و شبکه عصبی (ANN) (منطقه موردی: ایستگاه سینوپتیک زابل)،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن شبیه سازی دمای خاک در اعماق مختلف با استفاده از الگوریتم ترکیبی شبکه عصبی ژنتیک (ANN-GA) و شبکه عصبی (ANN) (منطقه موردی: ایستگاه سینوپتیک زابل) :

تعداد صفحات :۱۰

چکیده مقاله:

تخمین دمای خاک هر منطقه یکی از مسائل مهم در برنامه ریزی طرح های مدیریت منابع آب و استقرار پوشش گیاهی در مناطقخشک می باشد که به روش های مختلفی همچون مدل های تجربی، نیمه تجربی و هوشمند قابل انجام است. از جمله مدلهای تجربیمورد استفاده دراین زمینه می توان به شبکه عصبی مصنوعی (ANN) و الگوریتم ترکیبی شبکه عصبی- ژنتیک اشاره نمود. هدف ازانجام این پژوهش مقایسه مدل شبکه عصبی با الگورریتم ترکیبی شبکه عصبی- ژنتیک است. بدین منظور پس از با جمع آوری داده های روزانه دمای خاک در اعماق ۵۰، ۳۰، ۲۰، ۱۰، ۵ و ۱۰۰ سانتی متری موجود در ایستگاه سینوپتیک در سال های ۱۳۹۳-۱۳۹۰، داده های دردسترس به نسبت ۶۰، ۲۰ و ۲۰ درصد به روش تصادفی به سه مجموعه آموزش، آزمون و اعتبارسنجی تقسیم خواهد شد. به منظور دستیابی آسانتر به تعیین ترکیب بهینه پارامترهای موثر از جمله دمای حداکثر، دمای حداقل، ساعات آفتابی و تبخیر درواسنجی ضرایب ANN از الگوریتم ترکیبی (ANN-GA) به عنوان یک ابزار شبیه سازی استفاده گردیده است. نتایج شبیه سازی توسط مدل ها با استفاده از معیارهای ریشه میانگین مربعات خطا (RMSE) و میانگین انحراف خطا (MAE) مورد ارزیابی قرار گرفته است. مشخصات شبکه با استفاده از بسته نرم افزاری MATLAB تعیین شد. نتایج نشان داد در شبکه عصبی نسبت به الگوریتم ترکیبی شبکه عصبی- ژنتیک از میزان خطا بیشتر و دقت کمتری برخوردار است از دلایل آن می توان به بالا بودن دقت و کارایی بالا مدلالگوریتم ترکیبی شبکه عصبی- ژنتیک نام برد.