کاربرد مدل هوش مصنوعی برای پیش بینی شاخص تبخیر تعرق استاندارد بارندگی (SPEI)
ترجمه شده

کاربرد مدل هوش مصنوعی برای پیش بینی شاخص تبخیر تعرق استاندارد بارندگی (SPEI)

عنوان فارسی مقاله: کاربرد مدل های هوش مصنوعی برای پیش بینی شاخص تبخیر تعرق استاندارد بارندگی (SPEI) در حوضچه رودخانه لانگات، مالزی
عنوان انگلیسی مقاله: Application of artificial intelligence models for the prediction of standardized precipitation evapotranspiration index (SPEI) at Langat River Basin, Malaysia
مجله/کنفرانس: کامپیوتر و الکترونیک در کشاورزی - Computers and Electronics in Agriculture
رشته های تحصیلی مرتبط: مهندسی کشاورزی، مهندسی آب و کامپیوتر
گرایش های تحصیلی مرتبط: هوش مصنوعی، مدیریت منابع آب
کلمات کلیدی فارسی: آنفیس، آن، آرمیا، خشک سالی، موجک
کلمات کلیدی انگلیسی: ANFIS - ANN - ARIMA - Drought - Wavelet
نوع نگارش مقاله: مقاله پژوهشی (Research Article)
نمایه: scopus - master journals - JCR
شناسه دیجیتال (DOI): https://doi.org/10.1016/j.compag.2017.12.002
دانشگاه: دانشکده مهندسی عمران، دانشکده مهندسی لی کونگ چیان، مالزی
ناشر: الزویر - Elsevier
نوع ارائه مقاله: ژورنال
نوع مقاله: ISI
سال انتشار مقاله: 2018
ایمپکت فاکتور: 4.015 در سال 2019
شاخص H_index: 96 در سال 2020
شاخص SJR: 0.950 در سال 2019
شناسه ISSN: 0168-1699
شاخص Quartile (چارک): Q1 در سال 2019
صفحات مقاله انگلیسی: 10
صفحات ترجمه فارسی: 25
فرمت مقاله انگلیسی: pdf
فرمت ترجمه فارسی: pdf و ورد تایپ شده با قابلیت ویرایش
مشخصات ترجمه: تایپ شده با فونت B Nazanin 14
وضعیت ترجمه: ترجمه شده و آماده دانلود
ترجمه شده از: انگلیسی به فارسی
مقاله بیس: خیر
مدل مفهومی: ندارد
پرسشنامه: ندارد
متغیر: ندارد
درج شدن منابع داخل متن در ترجمه: بله
ترجمه شدن توضیحات زیر تصاویر و جداول: بله
ترجمه شدن متون داخل تصاویر و جداول: بله
کد محصول: 8866
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله
رفرنس در ترجمه: در داخل متن مقاله درج شده است
ترجمه فارسی فهرست مطالب

چکیده


مقدمه


روش شناسی


بررسی منطقه و کسب داده


شاخص استاندارد تبخیر تعرق بارندگی (SPEI)


تبخیر تعرق بالقوه (PET)


محاسبه SPEI


ARIMA، ANN، ANFIS و مدل های تبدیل موجک گسسته


مدلهای ترکیبی


موجک (ARIMA-ANN (WAANN


سیستم استنتاج نورو- فاز پذیر موجک-سازگارپذیر (WANFIS)


ارزیابی عملکرد مدل


نتایج و بحث


آزمایشات همگنی


توسعه مدل


ارزیابی عملکرد مدل ها


نتیجه گیری

فهرست انگلیسی مطالب

ABSTRACT


Introduction


Methodology


Study area and data acquisition


Standardized precipitation evapotranspiration index (SPEI)


ARIMA, ANN, ANFIS and discrete wavelet transform models


Hybrid models


Model’s performance evaluation


Results and discussion


Homogeneity tests


Model development


Models performance evaluation


Conclusions

نمونه ترجمه فارسی مقاله

چکیده


پیش بینی خشکسالی برای کاهش اثرات حوادث ناشی از خشکسالی در اقتصاد، گردشگری، کشاورزی  و سیستم های  منابع آب حیاتی است. این مقاله مدل پیشنهادی موجک-آرمیا-آن  (WAANN)   و جدیدترین مدل  یعنی سیستم استنتاج فازی- نورو  سازگاری-موجک (WANFIS)  را برای پیش بینی شاخص تبخیر تعرق استاندارد بارش (SPEI)  در حوضچه رودخانه لانگات  برای مقیاس زمانی مختلف (1 ماهه، 3 ماهه و 6 ماه) انتخاب می کند. مدل پیش پردازش داده های ورودی با تجزیه موجک برای بهبود عملکرد مدل های پیشین انجام شد. SPEI تاریخی از سال 1976 تا 2007 در مدل های  WANN و WANFIS برای پیش بینی SPEI برای دوره آزمون از 2008 تا 2015 استفاده شد.  ضریب تعدیل شده تعیین (R2 adj)، خطای- مجذور- میانگین- ریشه (RMSE)، میانگین خطای مطلق (MAE)، شاخص توافق ویلیامات (d) و ضریب کارایی  نکست-ساتکلیف (E)  برای ارزیابی مدل ها استفاده شد. متوجه شدیم که دقت پیش بینی دو مدل با طول مقیاس زمانی بهبود یافته است.   برای پیش بینی SPEI-1 (1- ماه) خطاهای مربوط  به هر دو مدل نسبتا بالا بود. بر اساس مقادیر عملکرد و نمودارهای گرافیکی، مدل WAANN برای پیش بینی SPEI-3 و SPEI-6 بهتر است. مدل  WANFIS پیش بینی رضایت بخش از پیش بینی خشکسالی میان مدت برای همه ایستگاه ها را دارد. مدل WANN  در این مطالعه توسعه یافت،  به هر حال، دقت بیشتری را برای هر دو، پیش بینی خشکسالی کوتاه مدت و میان مدت ارائه می دهد.


1. مقدمه


براساس میانگین بارندگی طولانی مدت (بارندگی طبیعی) برای یک حوضچه خاص، روند کاهش بارندگی،  شروع خشکسالی را نشان می دهد (جلال کمالی و همکاران، 2015). رطوبت نسبی کم، دما، سرعت باد بالا، ویژگی های بارندگی شامل شدت، مدت بارش و توزیع بارش باران در مدت فصل رشد محصول از ویژگی های مهم خشکسالی می باشد (میشرا و سینگ، 2010). در تحقیقات قبلی گزارش شده است که شرایط ناشی از خشکسالی در این دوره فصلی از El Nino  ایجاد شده است  (همچنین به عنوان مرحله گرم نوسان جنوبی ال نینو شناخته شده است، ENSO)  ال نینیو با کاهش باد های بسامان القا می شود و با افزایش دمای سطح زمین هماهنگ باشد، به نظر می رسد به طور متوسط هر 3-4 ساله رخ می دهد (پاز و همکاران، 2007). 

نمونه متن انگلیسی مقاله

ABSTRACT


Drought forecasting is a vital for mitigating the impact of drought events on the economy, tourism, agriculture and water resource systems. This paper adopts the proposed Wavelet-ARIMA-ANN (WAANN) model and the latest Wavelet-Adaptive Neuro-Fuzzy Inference System (WANFIS) model to predict the Standardized Precipitation Evapotranspiration Index (SPEI) at the Langat River Basin for different time scales (1-month, 3- months and 6-months). Model input data pre-processing with wavelet decomposition for improving the performance of the models was carried out apriori. The historical SPEI from 1976 to 2007 were used in the WAANN and WANFIS models for predicting the SPEI for the test period from 2008 to 2015. The Adjusted Coefficient of Determination (R2 adj), Root-Mean-Square-Error (RMSE), Mean Absolute Error (MAE), Willmott's Index of Agreement (d) and the Nash-Sutcliffe Coefficient of Efficiency (E) were used to assess the models. It was found that the prediction accuracy of the two models improved with time scale length. For the prediction of SPEI-1 (1- month), the errors associated with both models were considered relatively high. Based on the performance measures and graphical plots, the WAANN model is better for the prediction of SPEI-3 and SPEI-6. The WANFIS model had satisfactory prediction of the mid-term drought forecasting for all stations. The WAANN model developed in this study however, gives better accuracy for both, the short-term and mid-term drought forecasting.


1. Introduction


On the basis of the long-run average precipitation (normal precipitation) for a particular basin, the declining trend of precipitation indicates the initiation of droughts (Jalalkamali et al., 2015). Low relative humidity, temperatures, high wind velocity, rainfall characteristics including intensity, duration of precipitation and the distribution of rainfall during the crop growing seasons are important features of the droughts (Mishra and Singh, 2010). It has been reported in researches that the drought-induced conditions developed seasonally in the event of El Nino (also known as the warm phase of El Nino Southern Oscillation, ENSO). El Nino is induced by the reduction of trade winds and, in tandem with the increase of earth surface temperatures, appears to occur on the average, every 3–4 years (Paz et al., 2007).

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: ۳۳,۲۰۰ تومان
خرید محصول

دیدگاه خود را بنویسید:

تاکنون دیدگاهی برای این نوشته ارسال نشده است