معرفی روش شبکه عصبی مصنوعی و SDSM بمنظور کوچک مقیاس کردن آماری داده های دما و بارندگی
Publish place: 3rd Iran Water Resources Management Conference
Publish Year: 1387
Type: Conference paper
Language: Persian
View: 4,036
This Paper With 9 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
Export:
Document National Code:
WRM03_276
Index date: 16 April 2008
معرفی روش شبکه عصبی مصنوعی و SDSM بمنظور کوچک مقیاس کردن آماری داده های دما و بارندگی abstract
برای بررسی تاثیر تغییر اقلیم بر سیستمهای مختلف مانند منابع آب در دورههای آتی، در ابتدا می بایست متغیرهای اقلیمی تحت تاثیرتغییرات گازهای گلخانه ای شبیه سازی شوند. روشهای مختلفی برای شبیه سازی متغیرهای اقلیمی در دورههای آتی تحت تاثیر تغییراقلیم وجود دارد که معتبرترین آن ها استفاده از دادههای مدل گردش عمومی جو یاGeneral Circulation Model) GCM) میباشد. مدلهای GCM تنها قادر به شبیه سازی این داده ها در سطوح بزرگ (حدود 50000 کیلومتر مربع) هستند. لذا جهت استفاده از این داده ها لازم است تا داده های GCM توسط تکنیک های مختلف در سطوح ایستگاهی کوچک مقیاس گردد. روشهای مختلفی برای کوچک مقیاس کردن وجود دارد که مناسبتربن آنها - بخصوص در کشور ایران - استفاده از روشهای آماری است. در این مقاله گامهای مختلف مورد نیاز برای کوچک مقیاس کردن آماری با استفاده از روشهای شبکه عصبی مصنوعی (Artificial Neural Networks,ANN) و (Statistical DownScaling Model) SDSM ارائه میگردد.
معرفی روش شبکه عصبی مصنوعی و SDSM بمنظور کوچک مقیاس کردن آماری داده های دما و بارندگی Keywords:
تغییر اقلیم- مدل گردش عمومی جو - کوچک مقیاس کردن آماری- شبکه عصبی مصنوعی - SDSM
معرفی روش شبکه عصبی مصنوعی و SDSM بمنظور کوچک مقیاس کردن آماری داده های دما و بارندگی authors
سیده زهرا صمدی
عضو هیئت علمی دانشگاه آزاد اسلامی واحد قائمشهر، دانشجوی دوره دکتری م
علیرضا مساح بوانی
استادیار دانشگاه تهران، پردیس کشاورزی ابوریحان، دکتری منابع آب
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 :