دانلود ترجمه مقاله پیش بینی خشکسالی مدت زمان طولانی با مدل موجک ژن – الزویر ۲۰۱۴

مشخصات مقاله انگلیسی (PDF)
سال انتشار	۲۰۱۴
تعداد صفحات مقاله انگلیسی	۹صفحه با فرمت pdf
رشته های مرتبط با این مقاله	مهندسی عمران و کشاورزی
گرایش های مرتبط با این مقاله	مدیریت منابع آب، مهندسی آب
مجله	مجله هیدرولوژی – Journal of Hydrology
دانشگاه	دانشگاه فنی استانبول، گروه مهندسی عمران، بخش هیدرولیک، استانبول، ترکیه
کلمات کلیدی	پیش بینی خشکسالی، برنامه ریزی ژنتیکی خطی، انتقال موجک،ای نینو نوسانات نوسان جنوبی، شاخص خشکسالی اصلاحی پالمر، مدل های هیدرولوژیکی
شناسه شاپا یا ISSN	ISSN ۰۰۲۲-۱۶۹۴
رفرنس	دارد ✓
لینک مقاله در سایت مرجع	لینک این مقاله در نشریه Elsevier
نشریه الزویر

• فهرست مطالب:

چکیده

۱٫ مقدمه

۲٫ تبدیل موجک

۲٫۱ تبدیل موجک پیوسته (CWT)

۳٫ برنامه ریزی ژنتیک خطی (LGP)

۴٫ مدل موجک ژن

۵٫ داده ها و معیارهای دقیق مدل

۶٫ نتایج و بحث

۶٫۱ نتایج LGP

۶٫۲ نتایج WLGP

۶٫۳ نتایج تجزیه و تحلیل حساسیت

۷٫ نتیجه گیری

• بخشی از ترجمه:

۷٫ نتیجه گیری

در این مطالعه، مفاهیم تبدیل موجک و LGP برای توسعه مدل ترکیبی ضمنی ژن –موجک ، WLGP برای پیش بینی خشکسالی طولانی مدت LT با استفاده از PMDI و NINO 3.4 ارزش ها به عنوان پیش بینی کننده و شاخص PMDI آینده به عنوان یک پیش بینی ترکیب شدند. این مدل قادر است: (i) برای به دست آوردن طیف های موجک متوسط، (ii) برای تشخیص نوارهای طیفی قابل توجه (iii) پیش بینی PMDI آینده، و (iv) بهینه سازی تعداد نوارهای طیفی قابل توجه از طریق آن ویژگی تحلیل حساسیت مبتنی بر اکتشافات. استفاده WLGP در سراسر ایالت تگزاس پیشرفت چشمگیری در دقت بیش از مدل های ad hoc LGP به خصوص در ۶ و ۱۲- ماه پیش بینی LT ارائه می دهد. تجزیه و تحلیل حساسیت در میان متغیر ورودی باندها نشان دادند که مقادیر پیشین PMDI تاثیر بیشتری از NINO 3.4 برای پیش بینی خشکسالی تا ۶ ماه LT دارند، در حالی که دومین پتانسیل بالایی برای پیش بینی خشکسالی برای ۶ از طریق ۱۲ ماه LT دارد.

• بخشی از مقاله انگلیسی:

۷٫ Conclusions

In this study, the LGP and wavelet transform concepts were combined to develop an explicit hybrid gene–wavelet model, WLGP for long LT drought forecasting using PMDI and NINO 3.4 values as predictors and forthcoming PMDI index as a predictand. The model is capable: (i) to obtain the average wavelet spectra, (ii) to detect the significant spectral bands (iii) to forecast future PMDI, and (iv) to optimize the number of significant spectral bands via its heuristics-based sensitivity analysis feature. The application of the WLGP across the State of Texas provided significant improvement in accuracy over the ad hoc LGP models particularly at 6 and 12- month LT forecasting. Sensitivity analysis among input variable bands indicated that the preceding values of PMDI have higher impact than NINO 3.4 for drought forecasting up to 6-month LT, whereas the latter has high potential to forecast drought for 6 through 12-month LT.

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله با فرمت ورد