فایل ورد کامل استفاده از مدل های هوش مصنوعی جهت پیش بینی شاخص تبخیر تعرق استاندارد بارندگی (SPEI) در حوضچه رودخانه لنگات، مالزی

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل استفاده از مدل های هوش مصنوعی جهت پیش بینی شاخص تبخیر تعرق استاندارد بارندگی (SPEI) در حوضچه رودخانه لنگات، مالزی،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۲۸ صفحه

نتیجه گیری

دو مدل هیبریدی یعنی WAANN و WANFIS برای پیش بینی SPEI آینده در حوضچه رودخانه لانگت، مالزی انتخاب شدند. این داده های ورودی برای توسعه هر دو مدل قبل از پردازش با تبدیل موجک برای بهبود عملکرد مدل ها تغییر می کند. بر اساس پارامترهای آماری کلیدی، عملکرد هر دو مدل WAANN و WANFIS به دلیل کاهش صدای چند بسامدی با افزایش طول فیلتر افزایش یافته است ، زمانی که مقیاس زمانی افزایش یافت. برای پیش بینی SPEI-1، خطاهای WAANN و WANFIS حاصل شده توسط هر دو مدل نسبتا بالا در مقایسه با SPEI-3 و SPEI-6 بررسی شدند چرا که هر دو مدل در تشخیص صدای چند بسامدی برای نوسان SPEI-1 بسیار موثر نبودند.

عنوان انگلیسی:Application of artificial intelligence models for the prediction of standardized precipitation evapotranspiration index (SPEI) at Langat River Basin, Malaysia~~en~~

Conclusions

Two hybrid models, namely the WAANN and WANFIS were selected to forecast the future SPEI at the Langat River Basin, Malaysia. The input data for development of both models was pre-processed with wavelet transform to enhance the performance of the models. Based on the key statistical parameters, the performance of both WAANN and WANFIS models improved due to the reduction of white noise by increasing the filter length, when the time scale increased. For the prediction of SPEI-1, the errors obtained by both WAANN and WANFIS models were considered relatively high compared to SPEI-3 and SPEI-6 because both models were less effective in detecting the white noise for highly fluctuating SPEI-1.

$$en!!