مقاله پیش بینی خشکسالی های هیدرولوژیکی حوضه رودخانه خرم آباد با استفاده از شاخص SRIو شبکه عصبی مصنوعی در word دارای 7 صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است
فایل ورد مقاله پیش بینی خشکسالی های هیدرولوژیکی حوضه رودخانه خرم آباد با استفاده از شاخص SRIو شبکه عصبی مصنوعی در word کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه و مراکز دولتی می باشد.
این پروژه توسط مرکز مرکز پروژه های دانشجویی آماده و تنظیم شده است
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 پیش بینی خشکسالی های هیدرولوژیکی حوضه رودخانه خرم آباد با استفاده از شاخص SRIو شبکه عصبی مصنوعی در word،به هیچ وجه بهم ریختگی وجود ندارد
بخشی از متن مقاله پیش بینی خشکسالی های هیدرولوژیکی حوضه رودخانه خرم آباد با استفاده از شاخص SRIو شبکه عصبی مصنوعی در word :
سال انتشار: 1391
محل انتشار: سومین همایش ملی دانشجویی مرتع، آبخیز و بیابان
تعداد صفحات: 7
نویسنده(ها):
رضا صادقی – دانش آموخته کارشناسی ارشد جغرافیای طبیعی،دانشگاه آزاد اسلامی واحد خرم آباد
مهران لشنی زند – استادیار پژوهشی مرکز تحقیقات کشاورزی و منابع طبیعی لرستان
بهروز پروانه – عضو هیئت علمی گروه جغرافیا،دانشگاه آزاد اسلامی واحد خرم آباد
چکیده:
خشکسالی پدیده ای جهانی می باشد که تقریبا می تواند در هر ناحیه به وقوع پیوسته و منجر به زیان ها و خسارت های عمده اقتصادی،اجتماعی و زیست محیطی شود .در سال های اخیر این گونه خسارات و هزینه ها افدایش قابل ملاحظه ای داشته اند.به همین دلیل نیاز به بررسی خشکسالی ضروری به نظر می رسد.برای کاهش خسارات نیاز است تا به بررسی وضعیت خشکسالی در هر منطقه پرداخته شود.بنابراین شناخت شهر خرم آباد به منظور مدیریت بهتر منابع آب و انجام طرح های مختلف در منطقه، از اهمیت بالایی بر خوردار است.هدف از انجام این تحقیق پیش بینی خشکسالی هیدرولوژیک با استفاده از شاخص SRIو شبکه عصبی مصنوعی در خرم آباد پرداخته شد. در این تحقیق ابتدا شاخص های SPI و SRI محاسبه شدندو بین هر دو شاخص همبستگی گرفته شد.در ادامه دو مول در شبکه عصبی برای تعیین مدل بهینه براد پیش بینی خشکسالی شهر خرم آباد اجرا شد.در مدل اولSPI و در مدل دوم بارش باران و دما به عنوان نرون های لایه ورودی به شبکه معرفی شدند.در مدل اول ساختار 1-9-1 با ضریب تبیین و ریشه میانگین مربعات خطا به ترتیب برابر 0/869 و 0/601 به عنوان مدل بهینه انتخاب شد و در مدل دوم ساختار 1-11-2 با ضریب تبیین و ریشه میانگین مربعات خطا به ترتیب برابر 0/836 و 0/612 به عنوان ساختار شبکه عصبی مصنوعی بهینه انتخاب شد.نتایج نشان از دقت مدل اول،یعنی مدلی با ورودی شاخص SPI بیشتر از مدل دوم با ورودی بارش و دما داشت.
- ۹۵/۰۸/۰۳