مقایسه روشهای شبکه ی عصبی مصنوعی و SDSM در ریزمقیاس کردن اندازه ی بارش سالانه-ی شبیه سازی شده با HadCM۳ (مطالعه ی موردی: کرمان، راور و رابر)
Publish place: Water Resources Engineering Journal، Vol: 8، Issue: 24
Publish Year: 1394
نوع سند: مقاله ژورنالی
زبان: Persian
View: 45
This Paper With 16 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_WEJMI-8-24_003
تاریخ نمایه سازی: 28 بهمن 1402
Abstract:
امروزه این باور وجود دارد که فعالیتهای انسانی، از جمله تغییر در پوشش و کاربری اراضی، موجب افزایش غلظت گاز های گلخانه ای می گردد، که پیامد آن برهم خوردن توازن کارمایه، گرم شدن اتمسفر، و در نهایت پدیدهی تغییر اقلیم می باشد. پیش بینی بارندگی یکی از مهمترین مسائل در برنامه ریزی و مدیریت منابع آب می باشد. در این پژوهش، اندازهی بارندگی ایستگاههای کرمان، راور و رابر با استفاده از خروجیهای شبیهHadCM۳ ، تحت نمایشنامهی A۲، و از طریق شبیه های ریز مقیاس کنندهی SDSM و شبکهی عصبی مصنوعی، برای سه دورهی ۲۰۳۹-۲۰۱۰، ۲۰۶۹-۲۰۴۰ و ۲۰۹۹-۲۰۷۰ میلادی پیش بینی شده است. ابتدا دورهی آماری ۲۰۰۱-۱۹۷۱، به عنوان دورهی پایه انتخاب شد. در ادامه، با توجه به معیارهای آماری، نتایج حاصل از دو شبیه مورد ارزیابی و مقایسه قرار گرفتند. یافته ها بیانگر عملکرد بالاتر شبیه شبکهی عصبی در ایستگاههای کرمان و راور می باشند. اندازهی بارندگی سالانه در ایستگاههای کرمان، راور و رابر تا سال ۲۰۹۹، در شبیه شبکهی عصبی به ترتیب ۸۶/۱۲، ۶۸/۱۱ و %۳۹/۱۱ و در شبیه SDSM ۸۹/۰، ۴۸/۱۸ و %۵۵/۱ نسبت به دورهی پایه کاهش می یابند.
Keywords:
Authors
مریم رضائی
دانش آموخته کارشناسی ارشد، گروه مرتع و آبخیزداری ، دانشگاه زابل
محمد نهتانی
استادیار، گروه مرتع و آبخیزداری دانشگاه زابل
علیرضا مقدم نیا
دانشیار، گروه احیای مناطق خشک و کوهستانی ، پردیس کشاورزی و منابع طبیعی دانشگاه تهران
علیجان آبکار
کارشناس ارشد مرکز تحقیقات کشاورزی و منابع طبیعی استان کرمان
معصومه رضائی
مربی گروه مهندسی برق و کامپیوتر، دانشگاه سیستان و بلوچستان
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :