امتیاز کاربران: 

پایان نامه پیش بینی فصلی شاخص استاندارد شده بارش (SPI) با استفاده از سیستم استنتاج فازی

word
127
7 MB
31456
1389
کارشناسی ارشد
قیمت: ۱۲,۷۰۰ تومان
دانلود مقاله
  • خلاصه
  • فهرست و منابع
  • خلاصه پایان نامه پیش بینی فصلی شاخص استاندارد شده بارش (SPI) با استفاده از سیستم استنتاج فازی

    پایان نامه کارشناسی ارشد رشته عمران –آب (M.Sc)

    چکیده

    تشخیص الگوی وقوع خشکسالی و پایش آن در تعیین رویکرد بهینه به‌ مدیریت منابع آب بویژه در خصوص منابع تامین کننده آب  کلان شهرهایی که از منظر اقلیمی در معرض وقوع حوادث خشکسالی واقعند، اهمیت دارد. در این میان، شهر تهران با بهره‌گیری از پنج حوضه آبریز و سدهای مربوطه (امیرکبیر، لار، لتیان، طالقان و ماملو) در معرض خشکسالی و لطمات آن واقع است. در این مقاله با استفاده از اطلاعات جوی در محدوده جغرافیایی [˚0، ˚60] شمالی و [˚0، ˚90] شرقی (با دقت 10×10 درجه) و شامل اطلاعات ماهانه دما و ارتفاع معادل فشار از سال 1948 تا 2008 میلادی  در سطوح 1000، 850، 700، 500 و 300 میلی بار به پیش‌بینی میان مدت خشکسالی هواشناسی (با زمان پیش‌دید 5/2 و 5/4 ماه) با استفاده از نمایه بارش استاندارد شده (SPI) در بارش فصول زمستان، بهار، پاییز و مجموع فصول زمستان و بهار، پاییز و زمستان، پاییزو زمستان و بهار  پرداخته شده است. در این تحقیق پس از شناسایی نقطه-پارامترهای جوی موثر بر الگوی بارش در مناطق مورد نظر و با استفاده از  معیار آماری مناسب، به توسعه یک سیستم استنتاج فازی به منظور پیش‌بینی شاخص (SPI) پرداخته شده است. پارامترهای منتخب در این تحقیق، ارتفاع معادل فشار ثبت شده جو در دو سطح 850 و 300 میلی بار است. نتایج گویای کارایی مناسب این تخمینگر در پیش‌بینی خشکسالی هواشناسی با دقت مناسب مکانی بوده و در نهایت با استفاده از شاخص‌های آماری مناسب کارایی این رویکرد کمی شده است.

     

    کلمات کلیدی:

    پیش‌بینی خشکسالی، نمایه استاندارد شده بارش، سیستم استنتاج فازی، خشکسالی هواشناسی

     

     

    فصل اول:

    کلیات تحقیق

     

     

     

    1-1 مقدمه

    تغییر در الگوی بارش و تغییرات زمانی وتوزیع فصلی بارش تاثیرات اقتصادی واجتماعی زیادی بر کشور ما که عمدتا دارای اقلیم خشک ونیمه خشک است, دارد. مطالعه و بررسی تغییرات آب و هوایی و شناخت رفتار متغیرهای مختلف هواشناسی مثل بارش، دمای هوا و فشار بخصوص در مناطقی که با تنوع آب و هوایی گوناگون و وقوع دوره های خشک و تر شدید مواجه هستند، اهمیت زیادی دارد. بحث پیش بینی متغیرهای مختلف هواشناسی  بویژه در کشورهایی که تاحدی با خشکسالی مواجه هستند و یا در آستانه خشکسالی قرار دارند بسیار مهم و حائز اهمیت است. از طرف دیگر در مناطقی که دارای ترسالی های متعدد و شرایط سیلابی نیز هستند این پیش بینی ها مفید و دارای ارزش خاصی خواهد بود.  یکی از مهمترین اطلاعات مورد نیاز برای برنامه ریزی و مدیریت منابع آبی، شناخت رفتار متغیرهای آب و هوایی جهت پیش بینی کوتاه مدت یا دراز مدت متغیرهای هیدرولوژیکی می باشد. در برخی موارد این
    پیش بینی ها در باز ه های زمانی کوتاه مدت صورت می گیرد که به نوبه خود برای تصمیم گیری های کوتاه مدت مورد استفاده قرار می گیرند. اما گاهی این پیش بینی ها در بازه های زمانی دراز مدت مانند ماهانه و یا فصلی صورت می گیرند که اهمیت زیادی برای برنامه ریزی های فصلی و سالانه مدیریت منابع آب در بسیاری از حوزه های آبریز کشور که متکی به منابع آب سطحی هستند، دارد.

    1-2 بیان مسأله اساسی تحقیق :

    یکی از جدی‌ترین چالش‌های پیشرو در دهه اخیر در دسترس بودن منابع آب و تأثیرات اقلیمی بر روند بارش و خشکسالی است. از عمده موانع در تخصیص و اولویت بندی منابع آبی، عدم اطلاع و پیش‌بینی معتبر در زمان مناسب می‌باشد. یکی از پارامترهای معتبر در خصوص تعیین رژیم بارش اندیس استاندارد شده (SPI[1]) بارندگی می‌باشد. مک‌کی[2] و همکاران (1995و 1993) این پارامتر را به منظور تعریف و پایش هواشناختی بارش ارائه دادند.. امروزه مرکز اقلیم کلرادو، مرکز اقلیم منطقه ای غرب ایالات متحده و مرکز ملی مبارزه با خشکسالی ایالات متحده از این اندکس برای پایش شرایط فعلی خشکسالی در ایالات متحده سود می‌برند. این اندکس به تحلیلگر امکان مشخص کردن بی سابقه بودن یک خشکسالی یا یک تر سالی را در مقیاس زمانی مشخص برای هر منطقه ای از زمین که دارای سابقه آمار تاریخی باشد را میدهد. در این تحقیق با استفاده از سیستم های استنتاج فازی، مدل پیش بینی SPI  توسعه داده خواهد شد

    .

    1-3  اهمیت و ضرورت انجام تحقیق

    در زمینه پیش بینی شاخص SPI با استفاده از روشهای مختلف آماری و هوش مصنوعی، تحقیقاتی بسیار کمی در سطح بین المللی انجام شده است. در این زمینه، تاکنون تحقیقی برای استفاده از سیستم استنتاج فازی )FIS[3]( صورت نگرفته است و انتظار می رود نتایج این تحقیق به توسعه مدلی منجر شود که با استفاده از اطلاعات هواشناسی ماهواره ای پیش بینی دوره های کم بارش و پربارش را با استفاده از سیستم استنتاج فازی فراهم نماید. 

     

    1-4 سوال تحقیق

    آیا امکان استفاده از اطلاعات هواشناسی در محدوده های موثر بر سیستم های باران زای محدوده مورد مطالعه به منظور پیش بینی دوره های کم بارش و پربارش در مقیاس فصلی وجود دارد؟

     

    1- 5  اهداف تحقیق:

    یکی از مهم ترین چالش‌هایی که سیستم مدیریت منابع آب کشور در دهه اخیر با آن مواجه بوده است، تعدد و شدت قابل ملاحظه خشکسالی های بوقوع پیوسته بوده است. عدم وجود یک سامانه پیش بینی و هشداررسانی دوره های پربارش و کم بارش، مشکلات مواجهه با این شرایط حدی هیدرولوژیکی را دوچندان نموده است.

    افزایش فراوانی و شدت خشکسالی‌ها ناشی از تغییر الگوی بارش وتبخیر وتعرق می‌تواند یکی از پیامد های تغییر آب وهوا بر چرخه سالانه هیدرولوژیکی باشد بطوریکه افزایش دما در زمستان باعث جلو افتادن پدیده ذوب برف و در نتیجه تغییر زمان وقوع رواناب بیشینه در فصل بهار و کاهش رواناب در تابستان شود. بر اساس تحقیقات انجام شده, گرمایش پیش‌آمده، روند افزایشی دارد و بنظر می‌رسد که همراه با تغییرات در وضعیت‌های حدی جوی باشد. از طرف دیگر وقوع خشکسالی‌های شدید در بسیاری از استانهای کشور در سالهای اخیر روند افزایشی داشته است بطوریکه در سالهای اخیر وقوع خشکسالی در مقایسه با گذشته خسارات بیشتری را به تاسیسات زیر بنایی وارد آورده است. افزایش یا کاهش بارش و یا تغییر قابل ملاحظه در رخداد موارد حدی که منجر به بروز سیل یا خشکسالی می‌شود مسلماً می‌تواند تاثیر بسزایی در برنامه‌ریزی‌های کلان کشورها داشته باشد.

    این تحقیق گامی است به منظور پیش‌بینی وضعیت کمی بارش در فصول مختلف سال آبی با استفاده از اطلاعات هواشناسی در دامنه مکانی و زمانی محتمل می‌باشد. برای این منظور, امکان استفاده از اطلاعات هواشناسی در محدوده های موثر بر سیستم های باران زای محدوده مورد مطالعه(حوضه های آبریز سدهای استان تهران)  به منظور پیش بینی دوره های کم بارش و پربارش در مقیاس فصلی مورد بررسی
    قرار می گیرد

     

    1-6  فرضیه‏های تحقیق:

    شاخص SPI شاخص مناسبی برای دسته بندی دوره های پربارش و کم بارش منطقه مورد مطالعه است.

    اطلاعات ماهواره ای پارامترهای هواشناسی در منطقه مورد مطالعه با تغییرات SPI ارتباط آماری دارند.

    مقادیر بارش ایستا فرض شده است

    شاخص متقابل اطلاعات )MI [4](، ابزار مناسبی برای انتخاب ورودی های مدل پیش بینی ارزیابی می گردد.

     

     

    1- 7  ساختار پایان نامه :

    -فصل اول: (هدف و ساختار پایان نامه)

    در این فصل به ذکر مقدمه ای از موضوع مورد بررسی در این پایان نامه پرداخته شده است و هدف کلی از طرح موضوع مشخص گردیده است.

    -فصل دوم: ( سابقه تحقیق)

    در این فصل از تحقیق کوشش می‌شود  سابقه مطالعات انجام شده در زمینه خشکسالی و استفاده از شاخص SPI و بکارگیری  سیستم استنتاج فازی در علوم مرتبط با مهندسی آب ارائه گردد.

    -فصل سوم: (روش شناسی)

     در این فصل معیارهای کمی و کیفی ارزیابی بارش و خشکسالی ارائه شده است. معیارهای کمی خشکسالی عمدتاً براساس پردازش حجم وسیعی از اطلاعات بارش، برف، جریانهای سطحی و غیره تهیه می شوند و به ارائه یک تصویر کلی از فرآیند دینامیک آب در منطقه ای خاص منجر می شوند. این اطلاعات معمولا به صورت گسسته و عددی و در مقیاس های مختلفی ارائه می شوند. بعلاوه اینکه موضوع هر یک از این نمایه ها محدوده خاصی از اطلاعات و چرخه آب را در بر دارد. در ادامه  به بررسی ارتباط آماری تغییرات متغیرهای جوی و SPI در محدوده مورد مطالعه و نحوه  انتخاب مولفه های مناسب جوی به منظور پیش بینی میزان شاخص استاندارد شده بارش در هر حوضه پرداخته می شود. در ادامه پس از بررسی سابقه تحقیق و ارائه مبانی این روش، به نتایج انتخاب پارامترهای مهم جوی برای هر سناریو اشاره خواهد شد. در انتهای این  فصل, شرح  مختصری از مبانی روش فازی شامل  توابع عضویت، عملگرها، قواعد اگر - آنگاه ، فازی سازی و غیرفازی  و روشهای آن ارائه گردید 

    -فصل چهارم: (مطالعه موردی)

    این فصل مربوط به منطقه مورد مطالعه و اطلاعات مورد استفاده شامل منطقه حوضه سدهای سدهای کرج، ماملو، لتیان، طالقان و لار می باشد. اطلاعات آماری مورد استفاده شامل سری های زمانی از پارامترهای هواشناسی هستند که به صورت ماهواره ای برداشت از بانک  NCEP/NCAR و در دسترس عموم هستند. برای اطلاعات بارش از اطلاعات ثبت شده در ایستگاه های هواشناسی وزارت نیرو استفاده شده است با توجه به سوابق آماری موجود, طول دوره آماری مورد استفاده 31 سال است. در انتخاب محدوده مورد مطالعه سعی شده تا کلیه مناطقی که به نحوی بر آب و هوای ایران و بخصوص مناطق غرب و مرکزی ایران موثر هستند، درنظر گرفته شوند.

    در این فصل با توجه به انتخاب روش مدلسازی و  پارمترهای موثر مدل مربوطه به تفکیک حوضه آبریز ارائه شده است که شامل  ساختار کلی FIS  بهمراه توابع عضویت و بازه های مربوطه می باشد و در انتها نتایج حاصل از مدلسازی به تفکیک حوضه های آبریز ارائه شده است.

    -فصل پنجم : (جمع بندی و پیشنهادات)

    در این فصل با تحلیل و ارزیابی مدلهای ایجاد شده نتایج حاصله عنوان شده و در انتها پیشنهادات ارائه می گردد

     

    فصل دوم:

    سابقه تحقیق

     

    2- 1 مقدمه

    در این فصل از تحقیق کوشش می شود تا در ابتدا  تاریخچه مختصری از سیستم های استنتاج فازی بیان شده و در ادامه  به تشریح و بیان سابقه مطالعا ت در دو بخش مجزا پرداخته می شود. بخش اول شامل مطالعات صورت گرفته درخصوص استفاده از سیستم فازی در علوم مرتبط با مهندسی آب، بخش دوم مروری بر تاریخچه استفاده از شاخص استاندارد شده بارش در ادبیات فنی است.

     

    2- 2  تاریخچه مختصری از منطق فازی

    منطق فازی یا Fuzzy Logic  برای اولین بار در سال  1960  توسط دکتر لطفی زاده، استاد علوم کامپیوتری دانشگاه برکلی کالیفرنیا (Berkeley)، ابداع شد. مقاله کلاسیک پرفسور لطفی زاده درباره مجموعه فازی که در سال  1965  به چاپ رسید، سرآغاز جهتی نوین در علوم و مهندسی سیستم و کامپیوتر بود. پس از آن پرفسور لطفی زاده به پژوهشهای خود در زمینه مجموعه فازی ادامه داد تا آنکه در سال  1973  طی یک مقاله کلاسیک دیگر تحت عنوان "شرحی بر دیدی نو در تجزیه و تحلیل سیستمهای پیچیده و فرایندهای تصمیم گیری" مفهوم استفاده از متغیرهای زبانی را در سیستم های حافظه و کنترل مطرح کرد. این مقاله اساس فن آوری  کنترل بر مبنای منطق فازی است که در آینده اثرات عمیق در طراحی سیستم های کنترل هوشیار خواهد داشت. گرچه منطق فازی کاربردی خیلی وسیع تر از منطق متداول دارد ولی پرفسور لطفی زاده معتقد است که منطق فازی اکسیر و نوشدارو نیست. وی میگوید "کارهای زیادی هست که انسان میتواند به آسانی انجام دهد در حالی که کامپیوترها و سیستمهای منطقی قدرت فازی یک فرا مجموعه از منطق بولی است که بر مفهوم درستی نسبی، دلالت می کند. منطق کلاسیک هر چیزی را بر اساس یک سیستم دوتائی نشان می دهد ( درست یا غلط، 0  یا  1، سیاه یا سفید) ولی منطق فازی درستی هر چیزی را با یک عدد که مقدار آن بین صفر و یک است نشان می دهد. مثلاً اگر رنگ سیاه را عدد صفر و رنگ سفید را با عدد یک نشان دهیم، آن گاه رنگ خاکستری عددی نزدیک به صفر خواهد بود.

    منطق فازی معتقد است که ابهام در ماهیت علم است. بر خلاف دیگران که معتقدند که باید تقریب‌ها را دقیق‌تر کرد تا بهره‌وری افزایش یابد، لطفی‌زاده معتقد است که باید به دنبال ساختن مدل‌هایی بود که ابهام را به عنوان بخشی از سیستم مدل کند. در منطق ارسطویی، یک دسته‌بندی درست و نادرست وجود دارد. تمام گزاره‌ها درست یا نادرست هستند. بنابراین جمله «هوا سرد است»، در مدل ارسطویی اساساً یک گزاره نمی‌باشد، چرا که مقدار سرد بودن برای افراد مختلف متفاوت است و این جمله اساساً همیشه درست یا همیشه نادرست نیست. در منطق فازی، جملاتی هستند که مقداری درست و مقداری نادرست هستند. برای مثال، جمله "هوا سرد است" یک گزاره منطقی فازی می‌باشد که درستی آن گاهی کم و گاهی زیاد است.

    در سال 1974 ابراهیم ممدانی از دانشگاه لندن برای نخستین بار منطق فازی را در زمینه کنترل یک موتور بخار ساده بکار گرفت. با این کار اولین کاربرد صنعتی منطق فازی به منصه ظهور رسید. در سال 1984 میلادی اسمیت[1] از دانمارک برای نخستین بار از منطق فازی برای کنترل کوره سیمان استفاده کرد.  در دهه 1980 میلادی، مؤسسه فوجی الکتریک منطق فازی را برای کنترل فرآیند تصفیه آب بکار گرفت. متعاقب آن شرکت هیتاچی ژاپن یک سیستم کنترل خودکار قطار را بر مبنای منطق فازی توسعه داد. شایان ذکر است که در اوایل دهه 1990 میلادی ژاپنی ها در زمینه کاربرد منطق فازی پیشتاز بودند. در اوایل دهه 1990 میلادی، منطق فازی در ساخت محصولات الکتریکی خانگی به کار گرفته شد و عموم نیز در مورد سیستم های فازی آگاهی یافتند.  امروزه منطق فازی جایگاه ویژهای در صنایع مختلف پیدا کرده و شاهد توسعه روز افزون این منطق در زندگی روزمره می باشیم

     

    2- 3 مروری بر تاریخچه استفاده از سیستم استنتاج فازی (FIS) در ادبیات فنی

    تا کنون استفاده از سیستم استنتاج فازی  برای پیش بینی فصلی دوره های کم بارش و پربارش با استفاده از شاخص SPI  گزارش نشده است. اما تحقیقات نسبتا زیادی در مورد کاربرد سیستمهای فازی در  زمینه مهندسی علوم آب انجام شده است که میتوان به مواردی همچون مدلسازی خشکسالی، مدیریت مخازن، برآورد رسوب، پیش بینی هوا، پیش بینی سیلاب، فرآیند بارش- رواناب و پیش بینی جریان رودخانه اشاره کرد.  در ادامه به برخی تحقیقات انجام گرفته در این زمینه با تاکید بیشتر بر تحقیقات صورت گرفته در داخل کشور اشاره می شود.

    نورانی و صالحی (1387) مدل بارش – رواناب حوضه لیقوان چای واقع در استان آذربایجان شرقی با استفاده از سه روش شبکه عصبی، استنتاج فازی و شبکه عصبی فازی تطبیقی ارائه نموده و سپس با استفاده از معیارهای کنترل معمول در علم هیدرولوژی بهترین مدل برای این حوضه  تلفیق دو روش شبکه عصبی با مدل سازی غیر خطی و سیستم استنتاج فازی بیان نمودند.

    پوستی زاده (1385)  با استفاده از سیستم استنتاج فازی (FIS)، بهره گیری از داده های دبی، درجه حرارت و بارش ماهانه، سری پیوسته ای از دبی جریان رودخانه بختیاری  و هریک از متغیرهای مذکور تشکیل داد. سپس تاثیر هریک از متغیرهای فوق را در توالی های زمانی گذشته بر روی میزان دبی جریان رودخانه در ماه های آینده بررسی نمود. در ادامه بهترین ترکیب و مناسب ترین تاخیر زمانی متغیر های ورودی تعیین و میزان دبی رودخانه بختیاری در ماه های فروردین تا شهریور پیش بینی میکند. مقایسه نتایج حاصل از روش FIS با نتایج حاصل از روش های رگرسیون چند متغیره بیانگر دقت بیشتر و مناسب تر روش سیستم استنتاج فازی نسبت به دو روش دیگر است.

    Application of Fuzzy Inference System (FIS) for Forecasting Seasonal SPI

     

     

     

    Abstract

     

    It is very important to forecast drought pattern and its monitoring in optimum water resources management in the metropolitan areas. Tehran as the biggest city of Iran supported by four dams (Amirkabir, Lar, Latyan and Taleghan) and their watershed outputs may be exposed to drought hazard and its damage because of general climatologically condition in Iran. In the current article, using meteorological data located in geographic area from [0˚, 60˚] North to [0˚, 90˚] East with monthly resolution and consist of temperature and geopotential height at levels 1000, 850, 700, 500 and 300 mbar are used from 1948 to 2008 to midterm forecasting of Standardized Precipitation Index (SPI) with 2.5 to 4.5 months lead time. These predictors have been implemented to predict seasonal SPI of winter and winter+spring precipitation. In this article, Authors developed Fuzzy Inference Systems (FIS) to detect climate patterns of rainfall and its related drought index in the area of interest. Input dataset has been pruned by Mutual Information (MI) index to achieve the most important feature from the pool of input variables and geopotential height, and two 850 and 300 mbar have been found as the most important ones in these simulations. The results of the created models are evaluated well using appropriate statistical criteria.

     

     

    Keywords:

    Drought forecasting, Standardized Precipitation Index (SPI), Fuzzy Inference System (FIS), Meteorological Drought

  • فهرست و منابع پایان نامه پیش بینی فصلی شاخص استاندارد شده بارش (SPI) با استفاده از سیستم استنتاج فازی

    فهرست:

    چکیده 1

    فصل اول:کلیات تحقیق.. 2

    1-1 مقدمه. 3

    1-2 بیان مسئله. 4

    1-3 اهمیت و ضرورت انجام تحقیق : 4

    1-4 سوال  تحقیق : 4

    1-5 اهداف تحقیق : 4

    1-6 فرضیات تحقیق: 5

    1-6 ساختار پایان نامه: 6

    فصل دوم: پیشینه تحقیق.. 8

    2-1مقدمه. 9

    2-2تاریخچه مختصری از سیستم فازی 9

    2-3 مروری بر تاریخچه استفاده از سیستم استنتاج فازی (FIS) در ادبیات فنی 10

    2-4 مروری بر تاریخچه استفاده از شاخص استاندارد شده بارش (SPI) در ادبیات فنی 15

    فصل سوم : روش شناسی تحقیق.. 17

    3-1 مقدمه. 18

    3-2 معیارهای کمی و کیفی ارزیابی بارش و خشکسالی.. 18

    3-2-1 نمایه شدت خشکسالی پالمر PDSI 18

    3-2-2 نمایه درصدی از نرمال  PN. 19

    3-2-3 نمایه دهکها Deciles 19

    3-2-4 نمایه استاندارد شده بارش  SPI 19

    3-2-5 نمایه رطوبت محصول CMI 19

    3-2-6 شاخص خشکسالی احیایی  RDI 20

    3-2-7 نمایه بارش موثر  ERI 20

    3-3 نمایه استاندارد شده بارش... 20

    3-4 بررسی ارتباط آماری تغییرات متغییرهای جوی و SPI 28

    3-5 تئوری فازی 30

    3-5-1 مقایسه مجموعه های کلاسیک و فازی 31

    3-5-2 مبانی کلی و ریاضیات منطق فازی.. 31

    3-5-2-1 تابع عضویت.. 31

    3-5-2-2 انواع تابع عضویت.. 32

    3-5-2-3 عملیات ریاضی در مجموعه های فازی.. 34

    3-5-3 روابط فازی.. 35

    3-5-4 قواعد فازی IF THEN. 35

    3-5-5 روشهای غیر فازی ساز 36

    3-5-5-1 روش های تبدیل یک کمیت فازی به کمیت کلاسیک... 36

    3-6  سیستم استنتاج فازی.. 38

    3-6-1 روش استلزام ممدانی.. 38

    3-6-2 مراحل ساخت FIS. 39

     

    فصل چهارم : مطالعه موردی.. 40

    4-1 مقدمه. 41

    4-2 معرفی منطقه مورد مطالعه و اطلاعات مورد استفاده 41

    4-2-1 منطقه مورد مطالعه. 41

    4-2-2 اطلاعات مورد استفاده 47

    4-3 انتخاب پارامترهای موثر هواشناسی در پیش بینی شاخص SPI 49

    4-4 ساختار سیستم FIS و مدلهای ایجاد شده 58

    4-4-1 تعریف ساختار کلی FIS. 59

    4-4-2 مدلهای ساخته شده به تفکیک حوضه های آبریز. 60

    4-5 نتایج پیش بینی خشکسالی هواشناسی در منطقه مورد مطالعه. 65

    فصل پنجم : جمع بندی و پیشنهادات.. 76

    5-1 جمع بندی.. 77

    5-2 پیشنهادات.. 78

    منابع و مآخذ. 80

    منابع فارسی: 80

    منابع لاتین: 80

    پیوست الف 83

    پیوست ب 90

    پیوست ج 106

     

    منبع:

    اقدامی، س.، (1383)، "بررسی تاثیر سیگنال‌های هواشناسی بر بارش و رواناب حوزه­­ی آبریز کارون و دز،
    تحقیق­ کارشناسی ارشد رشته مدیریت منابع آب (مهندسی عمران)، دانشکده مهندسی عمران، دانشگاه تهران، تهران.

    پوستی‌زاده، ن، (1385)، “پیش‌بینی جریان رودخانه با استفاده از سیستم استنتاج فازی” تحقیق کارشناسی ارشد رشته مهندسی سازه‌های آبی، دانشکده کشاورزی، دانشگاه تربیت مدرس، تهران

    جعفری، س.، و ع، کشاورزی، (1387) " مقایسه روش فازی و رگرسیون آماری جهت برآورد بار رسوبی رودخانه- ها "، چهارمین کنگره ملی مهندسی عمران، دانشگاه تهران، تهران.

    جمالی، س.، ابریشم چی، ا. و تجریشی،م. (1385)، "ساخت مدل های پیش بینی جریان رودخانه و بهره برداری از مخزن با استفاه از سیستم استنباط فازی"، دومین کنفرانس مدیریت منابع آب ایران

    شعبانی نیا، ف، و س، سعیدنیا. (1386)، "مقدمه ای بر منطق فازی با استفاده از MATLAB"، انتشارات خانیران، تهران

    علیزاده، الف.، (1378)، "اصول هیدرولوژی کاربردی"، انتشارات دانشگاه امام رضا، مشهد.

    کوره پزان، الف.، (1382)، "تاثیر سیگنال‌های هواشناسی در پیش‌بینی تغییرات بارش"، تحقیق­ کارشناسی ارشد رشته مدیریت منابع آب (مهندسی عمران)، دانشگاه امیرکبیر، تهران

    کوره پزان، الف.، (1387)، "اصول تئوری مجموعه های فازی و کاربرد آن در مسائل مهندسی آب"، انتشارات  جهاد دانشگاهی واحد صنعتی امیر کبیر، تهران

    نورانی، و، و صالحی ک، (1387) “مدل‌سازی بارش-رواناب با استفاده از روش شبکه عصبی فازی تطبیقی و مقایسه آن با روش‌های شبکه عصبی و استنتاج فازی”، چهارمین کنگره ملی مهندسی عمران، دانشگاه تهران، تهران

    Aurélio, A,  Carlos Roberto, D, (2008), " Application of fuzzy logic to the evaluation of runoff in a tropical watershed". Environmental Modelling & Software Vol.23 , pp. 244-253.  

    Bonaccorso B., Bordi I, Cancelliere A., Rossi G., and Sutera A, Paulo, 2003. Spatial Variability of Drought: An Analysis of the SPI in Sicily. Water Resour. Manage., No 17, pp. 273-296

    Bowden, G. J., Dandy G. C., & Maier, H. R. (2005b). Input determination for neural network models in water resources applications, Part 2. Case study: forecasting salinity in a river. Journal of Hydrology, Vol. 301, pp. 93–107.

    Cancelliere A., Di Mauro G., Bonaccorso B., and Rossi G., 2007. Drought Forecasting Using the Standardized Precipitation Index. Water Resour. Manage., No 21, pp. 801-819.

    He Z., Xu X., and Deng Sh., 2008. k-ANMI: A mutual information based clustering algorithm for categorical data. Information Fusion, No. 9, pp. 223-233.

    Labedzki L., Bak B., 2005. Drought Mapping in Poland Using SPI. ICID Probabilistic Analysis of Drought Spatiotemporal Characteristics in Thessaly 21st European Regional Conference.

    Loukas A., Vasiliades L., 2004. Probabilistic Analysis of Drought Spatiotemporal Characteristics in Thessaly Region, Greece. Natural Hazards and Earth System Sciences, No. 4, pp. 719-731.

    Mahmut, F, Mahmud, G, (2007), " River flow estimation using adaptive neuro fuzzy inference system ".  Mathematics and Computers in Simulation  Vol.75 , pp. 87-96

    Manatsa, D., Mukwada, G., Siziba, E,. Chinyanganya, T., 2009. ” Analysis of multidimensional aspects of agricultural droughts in Zimbabwe using the Standardized Precipitation Index (SPI).” Theoretical and Applied Climatology, DIO 10.1007/s00704-010-0262-2

    Maya R. J., Dandy G., Maier H. R, Nixon J. B. 2008. Application of partial mutual information variable selection to ANN forecasting of water quality in water distribution systems. Environmental Modelling & Software, No. 23, pp. 1289-1299

    Maya R. J., Maier H. R, Dandy G., Fernando G. T.M.K., 2008. Non-linear variable selection for artificial neural networks using partial mutual information, Environmental Modelling & Software, No. 23, pp. 1312-1326.

    McKee, T.B., Doesken, N.J., Kleist, J., 1993. The relationship of drought frequency and duration to time scales. In: Proceedings of the Eighth Conference on Applied Climatology. Am. Meteor. Soc., Boston, pp. 179–184.

    McKee, T.B., Doesken, N.J., Kleist, J., 1995. Drought monitoring with multiple time scales. In: Proceedings of the Ninth Conference on Applied Climatology. Am. Meteor. Soc., Boston, pp. 233–236.

    Mehmet Ali, Y,  Mahmut, F , (2009), " Adaptive neuro fuzzy inference system approach for municipal water consumption modeling: An application to Izmir, Turkey". Journal of Hydrology Vol.365 , pp. 225-234

    -Mishra, A.K., Desai, V.R., 2006. Drought forecasting using feed-forward recursive neural network. Ecol. Modell. 198, 127–138.

    Moreira, E.E., Coelho C.A., Paulo, A.A., Pereira, L.S., Mexia, J.T., 2008. SPI-based drought category prediction using loglinear models. J. Hydrol. 354, 116–130.

    Moreira, E.E., Paulo, A.A., Pereira, L.S., Mexia, J.T., 2006. Analysis of SPI drought class transitions using loglinear models. J. Hydrol. 331, 349–359.

    Nasseri, M., Asghari, K and Abedini, M J. (2008) “Optimized scenario of Rainfall Forecasting using Genetic Algorithms and Artifitial Neural Networks” Expert Systems with Applications, Vol. 35, No. 3, pp. 1415-1421.

    Ozgur, K,  Tefaruk, H, Mehmet ,A and Ozgur, O , (2009), " Adaptive neuro-fuzzy computing technique for suspended sediment estimation ". Advances in Engineering Software,Vol.40 , pp. 438-444.  

    Palmer, W. C., 1965. Meteorological Drought. Research Paper No. 45, U.S. Department of Commerce Weather Bureau, Washington, D.C.

    Palmer, W. C., 1968. Keeping track of crop moisture conditions, nationwide: the new Crop Moisture Index, Weatherwise, 21, pp. 156-161.

    Paulo, A.A., Ferreira E., Coelho C., and Pereira, L.S., 2005. Drought Class Transition Analysis through Markov and Loglinear Models, an Approach to early Warning. Agricultural water Management, 77, pp. 59-81.

    Paulo, A.A., Pereira, L.S., 2007. Prediction of SPI drought class transitions using Markov chains. Water Resour. Manage, No. 21, pp. 1813-1827.

    Peng, H.C., Long, F., and Ding, C. 2005. Feature selection based on mutual information: criteria of max-dependency, max-relevance, and min-redundancy. IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 27, No. 8, pp.1226-1238.

    Sudheer, K. P., Gosain, A. K., & Ramasastri, K. S. (2002). A data driven algorithm for constructing artificial neural network rainfall-runoff models. Hydrological Process, Vol. 16, pp. 1325-1330.

    Wilhite, D. A. and M. H. Glantz, 1985. Understanding the drought phenomenon: the role of definitions. Water International, 10(3):111-120.

    Wilhite, D. A., 1995. Developing a precipitation-based index to assess climatic conditions across Nebraska. Final report submitted to the Natural Resources Commission, Lincoln, Nebraska.

    Willeke, G., J. R. M. Hosking, J. R. Wallis, and N. B. Guttman, 1994. The National Drought Atlas. Institute for Water Resources Report 94-NDS-4, U.S. Army Corps of Engineers.

    Witten, Ian H., and Frank, Eibe (2005). Data Mining: Practical Machine Learning Tools and Techniques. Morgan Kaufmann, Amsterdam

    Wua J., Chen J., Xiong H., and Xie Ming, 2008. External validation measures for K-means clustering: A data distribution perspective. Expert Systems with Applications, Inpress.

    Zacharia, K,  John, N , (2009), "A fuzzy inference system for modelling streamflow: Case of Letaba River, South Africa". Physics and Chemistry of the Earth, Parts A/B/C,Vol.34 , pp. 688-700.

    Zahraie, B., and Karamouz., (2004), "Seasonal Precipitation Prediction Using Large Scale Climate Signals", Proceedings of EWRI-2004 Conference, Salt lake City, USA

    Zahraie, B., Karamouz, M., and Eghdami, S., (2004), "Seasonal Precipitation Forecasting Using Large Scale Climate Signals: Application to the Karoon River Basin in Iran", Proceedings of the 6th International Conference on Hydroinformatics – Liong, Phoon & Babovic(eds).



تحقیق در مورد پایان نامه پیش بینی فصلی شاخص استاندارد شده بارش (SPI) با استفاده از سیستم استنتاج فازی, مقاله در مورد پایان نامه پیش بینی فصلی شاخص استاندارد شده بارش (SPI) با استفاده از سیستم استنتاج فازی, پروژه دانشجویی در مورد پایان نامه پیش بینی فصلی شاخص استاندارد شده بارش (SPI) با استفاده از سیستم استنتاج فازی, پروپوزال در مورد پایان نامه پیش بینی فصلی شاخص استاندارد شده بارش (SPI) با استفاده از سیستم استنتاج فازی, تز دکترا در مورد پایان نامه پیش بینی فصلی شاخص استاندارد شده بارش (SPI) با استفاده از سیستم استنتاج فازی, تحقیقات دانشجویی درباره پایان نامه پیش بینی فصلی شاخص استاندارد شده بارش (SPI) با استفاده از سیستم استنتاج فازی, مقالات دانشجویی درباره پایان نامه پیش بینی فصلی شاخص استاندارد شده بارش (SPI) با استفاده از سیستم استنتاج فازی, پروژه درباره پایان نامه پیش بینی فصلی شاخص استاندارد شده بارش (SPI) با استفاده از سیستم استنتاج فازی, گزارش سمینار در مورد پایان نامه پیش بینی فصلی شاخص استاندارد شده بارش (SPI) با استفاده از سیستم استنتاج فازی, پروژه دانشجویی در مورد پایان نامه پیش بینی فصلی شاخص استاندارد شده بارش (SPI) با استفاده از سیستم استنتاج فازی, تحقیق دانش آموزی در مورد پایان نامه پیش بینی فصلی شاخص استاندارد شده بارش (SPI) با استفاده از سیستم استنتاج فازی, مقاله دانش آموزی در مورد پایان نامه پیش بینی فصلی شاخص استاندارد شده بارش (SPI) با استفاده از سیستم استنتاج فازی, رساله دکترا در مورد پایان نامه پیش بینی فصلی شاخص استاندارد شده بارش (SPI) با استفاده از سیستم استنتاج فازی

ثبت سفارش
تعداد
عنوان محصول
بانک دانلود پایان نامه رسا تسیس