مدل موجک ژن برای پیش بینی خشکسالی مدت زمان طولانی
ترجمه شده

مدل موجک ژن برای پیش بینی خشکسالی مدت زمان طولانی

عنوان فارسی مقاله: مدل موجک ژن برای پیش بینی خشکسالی مدت زمان طولانی
عنوان انگلیسی مقاله: A gene–wavelet model for long lead time drought forecasting
مجله/کنفرانس: مجله هیدرولوژی - Journal of Hydrology
رشته های تحصیلی مرتبط: مهندسی آب، مهندسی عمران و کشاورزی
گرایش های تحصیلی مرتبط: مدیریت منابع آب
کلمات کلیدی فارسی: پیش بینی خشکسالی، برنامه ریزی ژنتیکی خطی، انتقال موجک،ای نینو نوسانات نوسان جنوبی، شاخص خشکسالی اصلاحی پالمر، مدل های هیدرولوژیکی
کلمات کلیدی انگلیسی: Drought forecasting - Linear genetic programing - Wavelet transform - El Niño–Southern Oscillation - Palmer’s modified drought index - Hydrologic models
نوع نگارش مقاله: مقاله پژوهشی (Research Article)
نمایه: scopus - master journals - JCR
شناسه دیجیتال (DOI): https://doi.org/10.1016/j.jhydrol.2014.06.012
دانشگاه: دانشگاه فنی استانبول، گروه مهندسی عمران، بخش هیدرولیک، استانبول، ترکیه
ناشر: الزویر - Elsevier
نوع ارائه مقاله: ژورنال
نوع مقاله: ISI
سال انتشار مقاله: 2014
ایمپکت فاکتور: 4.535 در سال 2019
شاخص H_index: 192 در سال 2020
شاخص SJR: 1.830 در سال 2019
شناسه ISSN: 0022-1694
شاخص Quartile (چارک): Q1 در سال 2019
صفحات مقاله انگلیسی: 9
صفحات ترجمه فارسی: 19
فرمت مقاله انگلیسی: pdf
فرمت ترجمه فارسی: pdf و ورد تایپ شده با قابلیت ویرایش
مشخصات ترجمه: تایپ شده با فونت B Nazanin 14
ترجمه شده از: انگلیسی به فارسی
وضعیت ترجمه: ترجمه شده و آماده دانلود
آیا این مقاله بیس است: خیر
آیا این مقاله مدل مفهومی دارد: ندارد
آیا این مقاله پرسشنامه دارد: ندارد
آیا این مقاله متغیر دارد: ندارد
آیا منابع داخل متن درج یا ترجمه شده است: بله
آیا توضیحات زیر تصاویر و جداول ترجمه شده است: بله
آیا متون داخل تصاویر و جداول ترجمه شده است: بله
کد محصول: 8865
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله
رفرنس در ترجمه: در داخل متن مقاله درج شده است
ترجمه فارسی فهرست مطالب

چکیده


1. مقدمه


2. تبدیل موجک


2.1 تبدیل موجک پیوسته (CWT)


3. برنامه ریزی ژنتیک خطی (LGP)


4. مدل موجک ژن


5. داده ها و معیارهای دقیق مدل


6. نتایج و بحث


6.1 نتایج LGP


6.2 نتایج WLGP


6.3 نتایج تجزیه و تحلیل حساسیت


7. نتیجه گیری

فهرست انگلیسی مطالب

summary


1. Introduction


2. Wavelet transform


2.1. Continuous wavelet transform (CWT)


3. Linear genetic programing (LGP)


4. Gene–wavelet model


5. Data and model precision criteria


6. Results and discussion


6.1. LGP results


6.2. WLGP results


7. Conclusions

نمونه ترجمه فارسی مقاله

چکیده 


پیش بینی خشکسالی عنصر ضروری برای ریسک خشکسالی و مدیریت منابع آب پایدار است. با توجه به افزایش تقاضای آب و ایجاد تغییرات آب و هوایی، مدل های پیش بینی دقیق خشکسالیاخیرا توجه زیادی دریافت کرده اند. این مطالعه با بحث های کوتاه درباره مدل های  پیش بینی خشکسالی های مختلف شروع می شود، سپس آن  مدل موجک ژن ترکیبی جدید، یعنی برنامه ریزیژنتیک خطی موجک (WLGP)، برای پیش بینی طولانی زمان-فرآوری خشکسالیارائه می دهد.ایده WLGP تشخیص و بهینه سازی تعداد نوارهای طیفی قابل توجهی از پیش بینی کننده ها به منظور پیشگویی پیش بینی های اصلی (شاخص خشکسالی) به طور مستقیم می باشد. با استفاده از شاخص نوسان ال نئو-جنوبی(شاخص NINO 3.4 ) و شاخص خشکسالی اصلاحی پالمر (PMDI) همانند پیش بینی کننده و PMDI آینده پیش بینی شد و ما مدل WLGP برای پیش بینی شرایط خشکسالی در ایالت تگزاس با زمانهای فرآوری  3، 6 و 12 ماهه را پیشنهاد می کنیم. ما کارایی مدل را با مدل های برنامه ریزی ژنتیک خطی سنتی توسعه یافته در این مطالعه مقایسه کردیم، مدل های پیش بینی خشکسالی موجک عصبی (WANN) و موجک فازی (WFL)قبلا در پیشینه تحقیق مربوطه ارائه شده است.نتایج ما نشان داد که مدل برنامه نویسی ژنتیک خطی کلاسیکقادر به یادگیری غیر خطی بودن پدیده خشکسالی در زمان های فرآوری  بیش از 3 ماه نیستند؛ به هر حال، WLGP می تواند به طور موثر برای پیش بینی شرایط خشکسالی با زمانهای فرآوری  3، 6، و12 ماهه مورد استفاده قرار گیرد.تجزیه و تحلیل حساسیت مبتنی بر ژنتیک در میان نوارهای طیفی ورودی نشان داد کهشاخص NINO 3.4 دارای اثرات شدیدی در پیش بینی خشکسالی منطقه مورد مطالعه با زمان های فرآوری  6-12 ماهه می باشد.


1. مقدمه


پیش بینی خشکسالی عنصری ضروری در مدیریت آب پخشان است. در سال های اخیر، اهمیت آن به دلیل افزایش تقاضای آب و ایجاد تغییرات آب و هوایی در حال افزایش است (میشرا و سینگ، 2010). موفقیت جلوگیری از خشکسالی و کاهش آن بستگی به اطلاعات به موقع در مورد شروع خشکسالی و انتشار آن در زمان و فضا دارد (ازگر و همکاران، 2012). این اطلاعات ممکن است از طریق مدل پیش بینی دقیق خشکسالی به دست آید  که معمولا با استفاده از شاخص های خشکسالی تولید می شوند. بسیاری از مدل های پیش بینی خشکسالی در سال های اخیر در حال توسعه است (به عنوان مثال، رائو و پدمانابان، 1984؛ سن، 1990؛ بوگرادی و همکاران، 1994؛ لوهانی و لوگاناتان، 1997؛ میشرا و دسای، 2005؛ کانسلیر و همکاران، 2007؛ مدرس، 2007؛ فرناندز و همکاران، 2009؛ ازگر و همکاران، 2012). میشرا و سینگ (2011) بررسی جامعی در مورد رویکردهای پیش بینی خشکسالی های مختلف ارائه کرده است. در سال های اخیر، تکنیک های هوش مصنوعی (AI) مانند شبکه عصبی مصنوعی (ANN)، منطق فازی (FL) و برنامه ریزی ژنتیک (GP) به عنوان شاخه ای از علم کامپیوتر برای مدل دامنه گسترده از فرآیندهای هیدرو هواشناسی اعلام شده است  (پستی و همکاران، 1996؛ ویگهام و کراپر، 2001؛ دولینگ  و  واراس، 2002؛ مورید و همکاران، 2007؛ کیسی و گوان، 2010؛ ازگر و همکاران، 2012؛ نورانی و همکاران، 2013a).کاربرد موفقیت آمیز مدل سازی مبتنی بر قاعده فازی برای پیش بینی خشکسالی منطقه ای کوتاه مدت با استفاده از دو ورودی اجباری، نوسان جنوبی El Nioٌ(ENSO) و الگوهای گردش جوی در مقیاس بزرگ (CP)، توسط  پونگراس و همکاران (1999) توصیف شد.  میشرا و دسای (2006) هر دو از ANNs چند مرحله ای مستقیم  و بازگشتی تا حداکثر 6 ماه LT پیش بینی خشکسالی استفاده کردند  و مدل بازگشتی چند مرحله ای پیدا شد که بهترین گزینه  برای 1 ماه LT است. هنگامی که LT طولانی تر از 4 ماه بررسی شد، مدل چند مرحلهای مستقیم بهتر از مدل های چند مرحله ای بازگشتی عمل می کند.  مورید و همکاران (2007) رویکرد پیش بینی خشکسالی مبتنی بر ANN با LTs  از ماه های 1-12 با استفاده از شاخص خشکسالی موثر (EDI)، SPI، و ترکیب متفاوت بارندگی های متفاوت می باشد. نتایج نشان داد که پیش بینی ها استفاده از EDI بهتر از کسانی بود که از SPI برای کلیه LT ها استفاده  کردند. باروس و بودن (2008) نقشه های خودسازمانده و  تجزیه و تحلیل رگرسیون خطی چند متغیره را برای پیش بینی SPI در حوضچه Murray-Darling در استرالیا تا 12 ماه پیش اعمال کردند.

نمونه متن انگلیسی مقاله

summary


Drought forecasting is an essential ingredient for drought risk and sustainable water resources management. Due to increasing water demand and looming climate change, precise drought forecasting models have recently been receiving much attention. Beginning with a brief discussion of different drought forecasting models, this study presents a new hybrid gene–wavelet model, namely wavelet–linear genetic programing (WLGP), for long lead-time drought forecasting. The idea of WLGP is to detect and optimize the number of significant spectral bands of predictors in order to forecast the original predictand (drought index) directly. Using the observed El Niño–Southern Oscillation indicator (NINO 3.4 index) and Palmer’s modified drought index (PMDI) as predictors and future PMDI as predictand, we proposed the WLGP model to forecast drought conditions in the State of Texas with 3, 6, and 12-month lead times. We compared the efficiency of the model with those of a classic linear genetic programing model developed in this study, a neuro-wavelet (WANN), and a fuzzy-wavelet (WFL) drought forecasting models formerly presented in the relevant literature. Our results demonstrated that the classic linear genetic programing model is unable to learn the non-linearity of drought phenomenon in the lead times longer than 3 months; however, the WLGP can be effectively used to forecast drought conditions having 3, 6, and 12-month lead times. Genetic-based sensitivity analysis among the input spectral bands showed that NINO 3.4 index has strong potential effect in drought forecasting of the study area with 6–12-month lead times.


1. Introduction


Drought forecasting is an essential ingredient in watershed management. In recent years, its importance is being intensified owing to increasing water demand and looming climate change (Mishra and Singh, 2010). The success of drought preparedness and mitigation depends upon timely information on the drought onset and propagation in time and space (Özger et al., 2012). This information may be obtained through precise drought forecasting models, which is normally generated using drought indices. Many drought forecasting models have been developed in recent years (e.g., Rao and Padmanabhan, 1984; Sen, 1990; Bogradi et al., 1994; Lohani and Loganathan, 1997; Mishra and Desai, 2005; Cancelliere et al., 2007; Modarres, 2007; Fernandez et al., 2009; Özger et al., 2012). Mishra and Singh (2011) have provided a comprehensive review on different drought forecasting approaches. In recent years, artificial intelligence (AI) techniques such as artificial neural network (ANN), fuzzy logic (FL), and genetic programing (GP) have been pronounced as a branch of computer science to model wide range of hydro-meteorological processes (Pesti et al., 1996; Whigham and Crapper, 2001; Dolling and Varas, 2002; Morid et al., 2007; Kisi and Guven, 2010; Özger et al., 2012; Nourani et al., 2013a). Successful application of fuzzy rule-based modeling for short term regional drought forecasting using two forcing inputs, El Niño–Southern Oscillation (ENSO) and large scale atmospheric circulation patterns (CP), was described by Pongracz et al. (1999). Mishra and Desai (2006) used both recursive and direct multi-step ANNs for up to 6-month LT drought forecasting and found that the recursive multi-step model is the best suited for 1 month LT. When a LT longer than 4 months was considered, the direct multi-step model outperformed the recursive multi-step models. Morid et al. (2007) developed an ANN-based drought forecasting approach with the LTs of 1–12 months using Effective Drought Index (EDI), SPI, and different combinations of past rainfalls. The results indicated that forecasts using EDI were superior to those using SPI for all LTs. Barros and Bowden (2008) applied self-organizing maps and multivariate linear regression analysis to forecast SPI at Murray-Darling Basin in Australia up to 12 months in advance.

محتوای این محصول:
- اصل مقاله انگلیسی با فرمت pdf
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه
قیمت محصول: ۲۹,۶۰۰ تومان
خرید محصول
  • اشتراک گذاری در

دیدگاه خود را بنویسید:

تاکنون دیدگاهی برای این نوشته ارسال نشده است

مدل موجک ژن برای پیش بینی خشکسالی مدت زمان طولانی
مشاهده خریدهای قبلی
نوشته های مرتبط
مقالات جدید
نماد اعتماد الکترونیکی
پیوندها