مقاله ترجمه شده درباره مدل موجک ژن برای پیش بینی خشکسالی مدت زمان طولانی – سال 2014
مشخصات مقاله:
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
کلمات کلیدی مقاله:
پیش بینی خشکسالی، برنامه ریزی ژنتیکی خطی، انتقال موجک،ای نینو نوسانات نوسان جنوبی، شاخص خشکسالی اصلاحی پالمر، مدل های هیدرولوژیکی
مناسب برای رشته های دانشگاهی زیر:
مهندسی عمران و کشاورزی
مناسب برای گرایش های دانشگاهی زیر:
مدیریت منابع آب، مهندسی آب
وضعیت مقاله انگلیسی و ترجمه:
مقاله انگلیسی را میتوانید به صورت رایگان با فرمت PDF از باکس زیر دانلود نمایید. ترجمه این مقاله با فرمت WORD – DOC آماده خریداری و دانلود آنی میباشد.
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
قسمتی از مقاله انگلیسی و ترجمه آن:
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).
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).
