این مقاله انگلیسی ISI در نشریه ساینس دایرکت (الزویر) در 10 صفحه در سال 2017 منتشر شده و ترجمه آن 23 صفحه میباشد. کیفیت ترجمه این مقاله ویژه – طلایی ⭐️⭐️⭐️ بوده و به صورت کامل ترجمه شده است.
| دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
|
|
| عنوان فارسی مقاله: |
مپینگ حساسیت به خشکسالی با دو الگوریتم SVM یک کلاسی |
| عنوان انگلیسی مقاله: |
Drought sensitivity mapping using two one-class support vector machine algorithms |
|
|
| مشخصات مقاله انگلیسی (PDF) | |
| سال انتشار | 2017 |
| تعداد صفحات مقاله انگلیسی | 10 صفحه با فرمت pdf |
| رشته های مرتبط با این مقاله | مهندسی کامپیوتر و جغرافیا |
| گرایش های مرتبط با این مقاله | هوش مصنوعی، تغییرات آب و هوایی اقلیمی و آب و هوا شناسی |
| مجله | تحقیقات اتمسفری – Atmospheric Research |
| دانشگاه | رشته جغرافیا و علوم فضایی، دانشکده زمین و غذا، دانشگاه تاسمانی، استرالیا |
| کلمات کلیدی | نقشه حساسیت به خشکسالی، (DSM) شاخص گیاهی بهبودیافته، (EVI) شاخص بارندگی استاندارد، (SPI) ماشین بردار پشتیبانی یک کلاسی، (OC-SVM)، کرمانشاه |
| شناسه شاپا یا ISSN | ISSN 0169-8095 |
| رفرنس | دارد ✓ |
| لینک مقاله در سایت مرجع | لینک این مقاله در نشریه Elsevier |
| نشریه الزویر |  |
| مشخصات و وضعیت ترجمه فارسی این مقاله (Word) | |
| کیفیت ترجمه | ویژه – طلایی ⭐️⭐️⭐️ |
| تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش و فونت 14 B Nazanin | 23 صفحه |
| ترجمه عناوین تصاویر و جداول | ترجمه شده است ✓ |
| ترجمه متون داخل تصاویر | ترجمه نشده است ☓ |
| ترجمه متون داخل جداول | ترجمه نشده است ☓ |
| درج تصاویر در فایل ترجمه | درج شده است ✓ |
| درج جداول در فایل ترجمه | درج شده است ✓ |
| درج فرمولها و محاسبات در فایل ترجمه به صورت عکس | درج شده است ✓ |
| منابع داخل متن | به صورت فارسی درج شده است✓ |
- فهرست مطالب:
چکیده
1- مقدمه
2- توصیف منطقه تحت مطالعه
3-مواد و مصالح
3.1- داده
3.2- روش بررسی:
3.2.1-شاخص بارندگی استاندارد (SPI)
3.2.2- شاخص گیاهی بهبودیافته (EVI)
3.3-ماشین بردار پشتیبانی یک کلاسی
3.4- توابع کرنل
3.4.1- توابع پایه شعاعی (RBF)
3.5- مقیاس تفکیک پذیری جفری/ماتوسیتا (JM)
4-نتایج
4.1-اعتبار سنجی نتایج
5- مباحثه ای کوتاه و نتیجه گیری
- بخشی از ترجمه:
5- مباحثه ای کوتاه و نتیجه گیری
با در نظر گرفتن مهم ترین فاکتورها که شرایط کنونی حساسیت در برابر خشکسالی را ایجادمی کنندو در منطقه مطالعه به چشم می خورند، تقاضایی برای انجام DSM قابل اطمینان برای پوشش گیاهی وجود داشت. قابلیت اطمینان DCM نه تنها بر حضور پایگاه داده جامع و مختصر در زمینه دقت و مقیاس داده وابسته است بلکه بر انتخاب DIهای مناسب برای شناسایی خشکسالی و ارزیابی شدت آن نیز وابسته است. بدون توجه به دقت و مقیاس داده، مطالعه کنونی تلاش می کند تا DSM کرمانشاه را با استفاده از DI مبتنی بر ماهواره و آب و هوا بررسی کند. این DIها برای تائید رخداد متعادل و شدید خشکسالی و از دست رفتن پوشش گیاهی متعاقب استفاده شد. علاوه بر آن، طرح طبقه بندی انتزاعی همراه با 4لایه متفاوت ژئوداده مربوط به خشکسالی به منظور ایجاد DSMقابل اطمینان استفاده شدند
- بخشی از مقاله انگلیسی:
5. Short discussion and conclusions
Considering the most important factors which cause the present conditions of sensitivity to drought being in place in the study region, there was a demand to conduct a reliable DSM for vegetation cover. The reliability of DSM depends not only on the presence of concise and representative database, in terms of data scale and accuracy, but also on the selection of the appropriate DIs for and drought identification and severity evaluation. Regardless of data scale and accuracy, the present study aimed to explore DSM of Kermanshah by using both climatic and satellite-based DI which were used to confirm mild and severe drought occurrence and resultant vegetation loss. Further, an objective classi- fication scheme along with four different drought-related geo-data layers were used in order to produce a reliable DSM.
|
تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد |
|
|
| دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
|
|
| عنوان فارسی مقاله: |
مپینگ حساسیت به خشکسالی با دو الگوریتم SVM یک کلاسی |
| عنوان انگلیسی مقاله: |
Drought sensitivity mapping using two one-class support vector machine algorithms |
|
|
خرید ترجمه فارسی مقاله با فرمت ورد