مقاله مقایسه روش های مختلف پیش بینی شاخص خشک سالی SPI

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

  مقاله مقایسه روش های مختلف پیش بینی شاخص خشک سالی SPI دارای ۲۶ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله مقایسه روش های مختلف پیش بینی شاخص خشک سالی SPI  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 روش های مختلف پیش بینی شاخص خشک سالی SPI،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقاله مقایسه روش های مختلف پیش بینی شاخص خشک سالی SPI :

مقاله مقایسه روش های مختلف پیش بینی شاخص خشک سالی SPI که چکیده‌ی آن در زیر آورده شده است، در ۱۳۸۸ در پژوهش های حفاظت آب و خاک (علوم کشاورزی و منابع طبیعی) از صفحه ۱۴۵ تا ۱۶۷ منتشر شده است.
نام: مقایسه روش های مختلف پیش بینی شاخص خشک سالی SPI
این مقاله دارای ۲۳ صفحه می‌باشد، که برای تهیه‌ی آن می‌توانید بر روی گزینه‌ی خرید مقاله کلیک کنید.
کلمات مرتبط / کلیدی:
مقاله خشک سالی
مقاله پیش بینی
مقاله شبکه عصبی مصنوعی
مقاله ARIMA؛ MLP؛ RBF؛ SPI

چکیده و خلاصه‌ای از مقاله:
خشک سالی یکی از پدیده های آب و هوایی است که در همه شرایط اقلیمی و در همه مناطق کره زمین به وقوع می پیوندد. پیش بینی خشک سالی نقش مهمی در طراحی و مدیریت منابع طبیعی، سیستم های منابع آب، تعیین نیاز آبی گیاه و; ایفا می نماید. در طی دهه های اخیر شبکه های عصبی توانایی های زیادی را در مدل سازی و پیش بینی سری های زمانی غیرخطی و غیرایستا نشان داده اند. از این رو، در این تحقیق به منظور پیش بینی خشک سالی، از دو نوع شبکه عصبی مصنوعی پرسپترون چندلایه (MLP) و تابع پایه ای شعاعی(RBF) استفاده شده است. به این منظور از داده های بارندگی ایستگاه نوده با دوره آماری ۴۱ ساله در حوزه آب خیز گرگان رود، استفاده شد. وضعیت رطوبتی با استفاده از شاخص بارندگی استاندارد شده (SPI) در دوره های زمانی کوتاه مدت (۱، ۳، ۶ و ۹ ماهه) و بلندمدت (۱۲، ۲۴ و ۴۸ ماهه) محاسبه گردید. سپس از بین داده های محاسبه شده، دوره ۴۶-۱۳۴۵ الی ۷۸-۱۳۷۷ به عنوان داده آموزش و دوره ۷۹-۱۳۷۸ الی ۸۶-۱۳۸۵ به عنوان داده آزمون انتخاب گردید. برای تخمین مقدار SPI در زمان t از مقادیر SPI در زمان های قبل استفاده شد. نتایج نشان داد که شبکه عصبی مصنوعی MLP نسبت به شبکه عصبی مصنوعی RBF با دقت بالاتری مقادیر SPI و وضعیت خشک سالی را پیش بینی می کند. همچنین مقایسه نتایج با نتایج حاصل از به کارگیری سری زمانی ARIMA نشان دهنده دقت بالای این روش می باشد.