مقاله بررسي رابطه تغييرات بارش ساليانه تبريز با ناهنجاريهاي دمايي کره زمين و شبيه سازي عددي آن با استفاده از شبکه عصبي مصنوعي که چکیده‌ی آن در زیر آورده شده است، در تابستان ۱۳۸۷ در مدرس علوم انساني از صفحه ۲۹ تا ۵۱ منتشر شده است.
نام: بررسي رابطه تغييرات بارش ساليانه تبريز با ناهنجاريهاي دمايي کره زمين و شبيه سازي عددي آن با استفاده از شبکه عصبي مصنوعي
این مقاله دارای ۲۳ صفحه می‌باشد، که برای تهیه‌ی آن می‌توانید بر روی گزینه‌ی خرید مقاله کلیک کنید.
کلمات مرتبط / کلیدی:
مقاله بارش ساليانه
مقاله تبريز
مقاله تغيير اقليم
مقاله روشهاي رگرسيون
مقاله روند بارش
مقاله شبکه هاي عصبي مصنوعي
مقاله پرسپترون چند لايه

نویسنده(ها):
جناب آقای / سرکار خانم: خوشحال دستجردي جواد
جناب آقای / سرکار خانم: قويدل رحيمي يوسف

چکیده و خلاصه‌ای از مقاله:
در اين تحقيق داده هاي مربوط به ناهنجاريهاي دمايي کره زمين و بارش متوسط ساليانه ايستگاه تبريز در طي دوره آماري ۱۹۵۱-۲۰۰۵ استفاده شده اند. روشهاي اصلي به کار  گرفته شده در اين مطالعه عبارت است از روش تعيين ضريب همبستگي پيرسون، تحليل مولفه روند سري هاي زماني، رگرسيون خطي ساده و رگرسيون پولي نوميال به عنوان يک روش نيمه خطي و شبکه هاي عصبي مصنوعي. نتايج حاصل از کاربرد و تحليل همبستگي پيرسون نشانگر همبستگي منفي و معکوس معنا داري بين بارش ساليانه تبريز و ناهنجاريهاي دمايي کره زمين است. اين به آن معنا است که غالبا با منفي شدن ناهنجاريهاي دمايي کره زمين، بارش ساليانه تبريز افزايش پيدا کرده و ترسالي به وقوع مي پيوندد و برعکس با مثبت شدن ناهنجاريهاي دمايي کره زمين، متوسط بارش ساليانه تبريز کاهش پيدا کرده و خشکسالي به وقوع مي پيوندد. تحليل مولفه روند بلندمدت سري هاي زماني نشان مي دهد که در طول دوره آماري از بارش متوسط ساليانه تبريز کاسته مي شود، اما روند ناهنجاريهاي دمايي کره زمين روندي افزايشي از خود نشان مي دهد. ارتباط بارش متوسط ساليانه تبريز با گرمايش جهاني نيز با استفاده از شبکه هاي عصبي مصنوعي شبيه سازي شده است. نتايج حاصل از کاربرد روشهاي مختلف در اين مطالعه نشان مي دهد که روش شبکه عصبي مصنوعي در مقايسه با روشهاي رگرسيون خطي ساده و رگرسيون نيمه خطي پولي نوميال درجه ۶، روش شبيه سازي بهتر و دقيقتر است. روشهاي مختلف شبکه هاي عصبي مصنوعي به کار گرفته شده در اين مطالعه نشان مي دهد که روش پرسپترون چند لايه با ۳ لايه مخفي و الگوريتم آموزش پس انتشار قابليت بسيار عالي در پيش بيني همبستگي بين سري ها دارد.