کاربرد شبکه های عصبی آماری، فازی و پرسپترونی در پیش بینی خشکسالی(مطالعه موردی: ایستگاه گنبد کاووس)

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

 کاربرد شبکه های عصبی آماری، فازی و پرسپترونی در پیش بینی خشکسالی(مطالعه موردی: ایستگاه گنبد کاووس) دارای ۱۷ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد کاربرد شبکه های عصبی آماری، فازی و پرسپترونی در پیش بینی خشکسالی(مطالعه موردی: ایستگاه گنبد کاووس)  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 کاربرد شبکه های عصبی آماری، فازی و پرسپترونی در پیش بینی خشکسالی(مطالعه موردی: ایستگاه گنبد کاووس)،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن کاربرد شبکه های عصبی آماری، فازی و پرسپترونی در پیش بینی خشکسالی(مطالعه موردی: ایستگاه گنبد کاووس) :

تعداد صفحات : ۱۷

درک صحیح زمان شروع خشکسالی در هر منطقه به مدیریت و کاهش خسارت های ناشی از خشکسالی کمک شایانی می کند. هدف این تحقیق، پایش و پیش بینی خشکسالی در ایستگاه گنبدکاووس در مقیاس های زمانی کوتاه مدت، میانمدت و بلندمدت است. بدین منظور شاخص بارندگی استاندارد SPI در مقیاس های زمانی ۱، ۳، ۶، ۹، ۱۲، ۲۴ ماهه مورد استفاده قرار گرفت. برای محاسبه SPI از آمار ماهانه بارندگی این ایستگاه، در طی سال های آبی ۱۳۵۱-۵۲ تا ۸۶-۱۳۸۵ استفاده شد. پس از پایش خشکسالی، بر اساس سری زمانی SPI با استفاده از چهار روش هوش مصنوعی شامل شبکه عصبی پرسپترون چند لایه MLP سیستم استنباط عصبی-فازی تطبیقی ANFIS، شبکه عصبی مبتنی بر توابع پایه شعاعی RBF و شبکه عصبی رگرسیون تعمیم یافته GRNN اقدام به پیش بینی خشکسالی گردید. نتایج مربوط به پایش نشان داد، چهار دوره طولانی مدت خشکسالی مربوط به سال های ۵۳-۵۸، ۶۰-۶۲، ۶۷-۷۰ و ۷۳-۷۶ در طول دوره آماری وجود دارد. در قسمت پیش بینی، نتایج حاکی از افزایش دقت پیش بینی ها، با افزایش مقیاس محاسبه SPI بود؛ به نحوی که بر اساس نتایج حاصل از مدل MLP ضریب همبستگی بین مقاد یر مشاهداتی SPI و مقادیر پیش بینی شده آن، برای SPI1 و SPI24 به ترتیب ۰/۰۰۹ و ۰/۹۴۹ بوده است . همچنین با توجه به نتایج مدل های RBF ،ANFIS و GRNN ترتیب ضریب همبستگی مربوط پیش بینی مقادیر SPI1 و SPI24 تا ۰/۹۲۵ ، ۰/۲۶۳، تا ۰/۹۵۳، ۰/۲۱۰، تا ۰/۹۵۵ متغیر بود. درمجموع با مقایسه نتایج مدل های مورد استفاده ANFIS بهترین عملکرد و بعد از آن GRNN بهترین نتایج را ارایه نموده است