مقاله کاربرد مدل های هوش مصنوعی برای پیش بینی شاخص تبخیر تعرق استاندارد بارندگی (SPEI) (سال 2018 الزویر)

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
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

تشکر و قدردانی

بخشی از متن مقاله انگلیسی 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.

ترجمه بخشی از متن 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.

سال انتشار 2018
ناشر الزویر
مجله  کامپیوتر و الکترونیک در کشاورزی – Computers and Electronics in Agriculture
کلمات کلیدی   آنفیس، آن، آرمیا، خشک سالی، موجک
 تعداد صفحات مقاله انگلیسی 10
تعداد صفحات ترجمه مقاله 25
مناسب برای رشته مهندسی کشاورزی، مهندسی آب و کامپیوتر
مناسب برای گرایش هوش مصنوعی، مدیریت منابع آب
دانلود رایگان مقاله انگلیسی ○ دانلود رایگان مقاله انگلیسی با فرمت pdf
خرید ترجمه فارسی ○ خرید ترجمه آماده این مقاله با فرمت ورد
سایر مقالات این رشته ○ مشاهده سایر مقالات رشته مهندسی کامپیوتر

دیدگاهتان را بنویسید