هدف تحقیق حاضر، مقایسه توانایی مدل شبکه عصبی مصنوعی و مدل همبستگی خطی چند متغیره در پیشبینی ششماه آیندة جریان ورودی به مخزن سد شاهچراغی در استان سمنان، بر اساس دادههای ماهانه آبدهی، دمای متوسط،ماهواره avhrr بارش و سطح پوششبرف چند ماه قبل میباشد. برای تعیین سطح پوششبرف، از تصاویر سنجندهاستفاده گردیده و جداسازی سطح برف با استفاده از روش جداسازی پدیدهها بر اساس حد آستانه هیستوگرام noaaآنها در باند...

بارش یکی از پارامترهای مهم اقلیم شناسی و سایر علوم جوی که از اهمیت والایی در حیات بشر برخوردار است. در سال های اخیر ، سیل و خشکسالی خسارت های فراوانی را در بسیاری از مناطق جهان در پی داشته است. پیش بینی بارش در مدیریت و هشدار این معضلات نقش مهمی بر عهده دارد. با دلیل تأثیر متقابل پارامترهای مختلف هواشناسی در محاسبه بارش، آن را به سوی یک فرایند بسیار نامنظم و آشوبناک سوق داده است. امروزه شبکه ها...

بارش به عنوان مهمترین پدیده های اقلیمی،همیشه برای انسان دارای اهمیت فراوان بوده است . این اهمیت باعث شده که بشر به فکر پیش بینی بارش باشد تا بتواند بر اساس آن برنامه ریزیهای خود را به بهترین وجه به انجام برساند. استفاده از شبکه های عصبی مصنوعی یکی از روش های پیش بینی می باشد که در سال های اخیر توسعه زیادی پیدا کرده است. در این تحقیق برای پیش بینی بارش سال بعد در دو ایستگاه سینوپتیک کرمانشاه و ن...

دراین تحقیق ابتداپارامترهای هواشناسی شامل بارندگی، میانگین دمای ماکزیمم، میانگین دمای مینیمم، میانگین دمای متوسط، مجموع دماهای بیش از 10 درجه سانتیگراد، تبخیر، فشار بخار آب هوا، متوسط سرعت باد، تعداد ساعتهای آفتابی ورطوبت نسبی هوا در دوره رشد محصول وشاخصهای خشکسالی شامل شاخص درصدازنرمال(PNPI)، شاخص بارندگی سالانه استانداردSIAP) (، شاخص هیدروترمال) (HT تغییریافته، شاخص نگوین) (Km، شاخص ترانسو) ...

شناخت نظام تغییرات زمانی بارش ، برنامه ریزی و به تبع آن چیرگی بر محدودیت منابع آب را افزایش داده، خسارت های حاصل از سیلاب و خشکسالی را کاهش می دهد. با استفاده از روش های مانند شبکه های عصبی مصنوعی می توان الگوریتم مناسبی جهت محاسبه و یا تخمین بارندگی در سال های آتی، بصورت کل بارندگی ماهانه و سالانه را بدست آورد. به همین دلیل آمار بارندگی هشت ایستگاه استان زنجان برای این منظور مورد ارزیابی قرار ...

مدلسازی بارش رواناب از مسائل اساسی در برنامه ریزی و مدیریت منابع آب می باشد. پیش بینی بارش رواناب مسئله ای پیچیده بدلیل روابط غیرخطی بین متغیرهای تاثیرگذار در آن می باشد. هدف از این تحقیق، مدلسازی فرآیند بارش رواناب با استفاده از شبکه عصبی می باشد. برای این منظور عملکرد دو نوع شبکه عصبی منفرد و یکپارچه جهت پیشبینی رواناب یا دبی جریان روزانه و ماهانه مورد بررسی و مقایسه قرار گرفت

بارش یکی از پارامترهای مهم اقلیمشناسی و سایر علوم جوّی که از اهمیّ تّ والای یّ در حیات بشر برخوردار است. در سالهای اخیر، سیل و خشکسالی خسار های فراوانی را در بس یّاری از مناطق جهان در پی داشته است. پیش بینی بارش در مدیریت و هشدار این معضلا نق شّ مهمی بر عهده دارد. امروزه شبکههای عصبی مصنوعی از جمله روشهای نوین م یّباش دّ ک هّ برای تخمین و پیشبینی پارامترها با استفاده از ارتباط ذاتی بین دادهه اّ توس عّه یا...

به منظور شناخت و بررسی تغییرات زمانی و مکانی بارش مناطق غربی کشور، از حداکثر آمار و اطلاعات موجود در شانزده ایستگاه سینوپتیک با دوره آماری 46 ساله (2006-1961) و سی وچهار ایستگاه آب سنجی با دوره آماری 40 ساله (2006-1967) در دو مقیاس زمانی فصلی و سالانه استفاده شد. ابتدا، تجزیه و تحلیل روند سری های زمانی مذکور با استفاده از آزمون های من-کندال (آماری و ترسیمی)، تخمین گر سن و رگرسیون خطی انجام شد...

سیل، یکی از پدیده های ویرانگر طبیعی است که پیش بینی آن از اهمیت بالایی برخوردار است و در این میان برآورد بارش- رواناب به دلیل تأثیرگذاری عوامل مختلف، دشوار است. در این پژوهش با استفاده از شبکه پرسپترون چند لایه(mlp)، قانون یادگیری پس انتشار خطا(bp)، الگوریتم لونبرگ- مارکوارت(lm) و معیارهای rmse و r2 جهت کارایی مدل، 6 سناریو تعریف گردید. بررسی حالات مختلف نشان داد که بهترین مدل شبکه عصبی جهت شبی...

در روش های ریزمقیاس گردانی آماری که بر اساس رابطه بین داده های گردش عمومی اتمسفری-اقیانوسی و هر یک از متغیرهای اقلیمی (بارش، دمای کمینه، دمای بیشینه) ایجاد می شود، دوره آتی آن متغیر اقلیمی شبیه سازی می شود. از آن جایی که در شبیه سازی، تمامی عوامل رخ داد، یک متغیر در مدل وارد نمی شود، لذا برآورد به وجود آمده همراه با خطا و یا عدم قطعیت می باشد. خروجی مدل های ریزمقیاس گردانی به عنوان ورودی در مدل...