فهرست و منابع پایان نامه پیش بینی فصلی شاخص استاندارد شده بارش (SPI) با استفاده از سیستم استنتاج فازی
فهرست:
چکیده 1
فصل اول:کلیات تحقیق.. 2
1-1 مقدمه. 3
1-2 بیان مسئله. 4
1-3 اهمیت و ضرورت انجام تحقیق : 4
1-4 سوال تحقیق : 4
1-5 اهداف تحقیق : 4
1-6 فرضیات تحقیق: 5
1-6 ساختار پایان نامه: 6
فصل دوم: پیشینه تحقیق.. 8
2-1مقدمه. 9
2-2تاریخچه مختصری از سیستم فازی 9
2-3 مروری بر تاریخچه استفاده از سیستم استنتاج فازی (FIS) در ادبیات فنی 10
2-4 مروری بر تاریخچه استفاده از شاخص استاندارد شده بارش (SPI) در ادبیات فنی 15
فصل سوم : روش شناسی تحقیق.. 17
3-1 مقدمه. 18
3-2 معیارهای کمی و کیفی ارزیابی بارش و خشکسالی.. 18
3-2-1 نمایه شدت خشکسالی پالمر PDSI 18
3-2-2 نمایه درصدی از نرمال PN. 19
3-2-3 نمایه دهکها Deciles 19
3-2-4 نمایه استاندارد شده بارش SPI 19
3-2-5 نمایه رطوبت محصول CMI 19
3-2-6 شاخص خشکسالی احیایی RDI 20
3-2-7 نمایه بارش موثر ERI 20
3-3 نمایه استاندارد شده بارش... 20
3-4 بررسی ارتباط آماری تغییرات متغییرهای جوی و SPI 28
3-5 تئوری فازی 30
3-5-1 مقایسه مجموعه های کلاسیک و فازی 31
3-5-2 مبانی کلی و ریاضیات منطق فازی.. 31
3-5-2-1 تابع عضویت.. 31
3-5-2-2 انواع تابع عضویت.. 32
3-5-2-3 عملیات ریاضی در مجموعه های فازی.. 34
3-5-3 روابط فازی.. 35
3-5-4 قواعد فازی IF THEN. 35
3-5-5 روشهای غیر فازی ساز 36
3-5-5-1 روش های تبدیل یک کمیت فازی به کمیت کلاسیک... 36
3-6 سیستم استنتاج فازی.. 38
3-6-1 روش استلزام ممدانی.. 38
3-6-2 مراحل ساخت FIS. 39
فصل چهارم : مطالعه موردی.. 40
4-1 مقدمه. 41
4-2 معرفی منطقه مورد مطالعه و اطلاعات مورد استفاده 41
4-2-1 منطقه مورد مطالعه. 41
4-2-2 اطلاعات مورد استفاده 47
4-3 انتخاب پارامترهای موثر هواشناسی در پیش بینی شاخص SPI 49
4-4 ساختار سیستم FIS و مدلهای ایجاد شده 58
4-4-1 تعریف ساختار کلی FIS. 59
4-4-2 مدلهای ساخته شده به تفکیک حوضه های آبریز. 60
4-5 نتایج پیش بینی خشکسالی هواشناسی در منطقه مورد مطالعه. 65
فصل پنجم : جمع بندی و پیشنهادات.. 76
5-1 جمع بندی.. 77
5-2 پیشنهادات.. 78
منابع و مآخذ. 80
منابع فارسی: 80
منابع لاتین: 80
پیوست الف 83
پیوست ب 90
پیوست ج 106
منبع:
اقدامی، س.، (1383)، "بررسی تاثیر سیگنالهای هواشناسی بر بارش و رواناب حوزهی آبریز کارون و دز،
تحقیق کارشناسی ارشد رشته مدیریت منابع آب (مهندسی عمران)، دانشکده مهندسی عمران، دانشگاه تهران، تهران.
پوستیزاده، ن، (1385)، “پیشبینی جریان رودخانه با استفاده از سیستم استنتاج فازی” تحقیق کارشناسی ارشد رشته مهندسی سازههای آبی، دانشکده کشاورزی، دانشگاه تربیت مدرس، تهران
جعفری، س.، و ع، کشاورزی، (1387) " مقایسه روش فازی و رگرسیون آماری جهت برآورد بار رسوبی رودخانه- ها "، چهارمین کنگره ملی مهندسی عمران، دانشگاه تهران، تهران.
جمالی، س.، ابریشم چی، ا. و تجریشی،م. (1385)، "ساخت مدل های پیش بینی جریان رودخانه و بهره برداری از مخزن با استفاه از سیستم استنباط فازی"، دومین کنفرانس مدیریت منابع آب ایران
شعبانی نیا، ف، و س، سعیدنیا. (1386)، "مقدمه ای بر منطق فازی با استفاده از MATLAB"، انتشارات خانیران، تهران
علیزاده، الف.، (1378)، "اصول هیدرولوژی کاربردی"، انتشارات دانشگاه امام رضا، مشهد.
کوره پزان، الف.، (1382)، "تاثیر سیگنالهای هواشناسی در پیشبینی تغییرات بارش"، تحقیق کارشناسی ارشد رشته مدیریت منابع آب (مهندسی عمران)، دانشگاه امیرکبیر، تهران
کوره پزان، الف.، (1387)، "اصول تئوری مجموعه های فازی و کاربرد آن در مسائل مهندسی آب"، انتشارات جهاد دانشگاهی واحد صنعتی امیر کبیر، تهران
نورانی، و، و صالحی ک، (1387) “مدلسازی بارش-رواناب با استفاده از روش شبکه عصبی فازی تطبیقی و مقایسه آن با روشهای شبکه عصبی و استنتاج فازی”، چهارمین کنگره ملی مهندسی عمران، دانشگاه تهران، تهران
Aurélio, A, Carlos Roberto, D, (2008), " Application of fuzzy logic to the evaluation of runoff in a tropical watershed". Environmental Modelling & Software Vol.23 , pp. 244-253.
Bonaccorso B., Bordi I, Cancelliere A., Rossi G., and Sutera A, Paulo, 2003. Spatial Variability of Drought: An Analysis of the SPI in Sicily. Water Resour. Manage., No 17, pp. 273-296
Bowden, G. J., Dandy G. C., & Maier, H. R. (2005b). Input determination for neural network models in water resources applications, Part 2. Case study: forecasting salinity in a river. Journal of Hydrology, Vol. 301, pp. 93–107.
Cancelliere A., Di Mauro G., Bonaccorso B., and Rossi G., 2007. Drought Forecasting Using the Standardized Precipitation Index. Water Resour. Manage., No 21, pp. 801-819.
He Z., Xu X., and Deng Sh., 2008. k-ANMI: A mutual information based clustering algorithm for categorical data. Information Fusion, No. 9, pp. 223-233.
Labedzki L., Bak B., 2005. Drought Mapping in Poland Using SPI. ICID Probabilistic Analysis of Drought Spatiotemporal Characteristics in Thessaly 21st European Regional Conference.
Loukas A., Vasiliades L., 2004. Probabilistic Analysis of Drought Spatiotemporal Characteristics in Thessaly Region, Greece. Natural Hazards and Earth System Sciences, No. 4, pp. 719-731.
Mahmut, F, Mahmud, G, (2007), " River flow estimation using adaptive neuro fuzzy inference system ". Mathematics and Computers in Simulation Vol.75 , pp. 87-96
Manatsa, D., Mukwada, G., Siziba, E,. Chinyanganya, T., 2009. ” Analysis of multidimensional aspects of agricultural droughts in Zimbabwe using the Standardized Precipitation Index (SPI).” Theoretical and Applied Climatology, DIO 10.1007/s00704-010-0262-2
Maya R. J., Dandy G., Maier H. R, Nixon J. B. 2008. Application of partial mutual information variable selection to ANN forecasting of water quality in water distribution systems. Environmental Modelling & Software, No. 23, pp. 1289-1299
Maya R. J., Maier H. R, Dandy G., Fernando G. T.M.K., 2008. Non-linear variable selection for artificial neural networks using partial mutual information, Environmental Modelling & Software, No. 23, pp. 1312-1326.
McKee, T.B., Doesken, N.J., Kleist, J., 1993. The relationship of drought frequency and duration to time scales. In: Proceedings of the Eighth Conference on Applied Climatology. Am. Meteor. Soc., Boston, pp. 179–184.
McKee, T.B., Doesken, N.J., Kleist, J., 1995. Drought monitoring with multiple time scales. In: Proceedings of the Ninth Conference on Applied Climatology. Am. Meteor. Soc., Boston, pp. 233–236.
Mehmet Ali, Y, Mahmut, F , (2009), " Adaptive neuro fuzzy inference system approach for municipal water consumption modeling: An application to Izmir, Turkey". Journal of Hydrology Vol.365 , pp. 225-234
-Mishra, A.K., Desai, V.R., 2006. Drought forecasting using feed-forward recursive neural network. Ecol. Modell. 198, 127–138.
Moreira, E.E., Coelho C.A., Paulo, A.A., Pereira, L.S., Mexia, J.T., 2008. SPI-based drought category prediction using loglinear models. J. Hydrol. 354, 116–130.
Moreira, E.E., Paulo, A.A., Pereira, L.S., Mexia, J.T., 2006. Analysis of SPI drought class transitions using loglinear models. J. Hydrol. 331, 349–359.
Nasseri, M., Asghari, K and Abedini, M J. (2008) “Optimized scenario of Rainfall Forecasting using Genetic Algorithms and Artifitial Neural Networks” Expert Systems with Applications, Vol. 35, No. 3, pp. 1415-1421.
Ozgur, K, Tefaruk, H, Mehmet ,A and Ozgur, O , (2009), " Adaptive neuro-fuzzy computing technique for suspended sediment estimation ". Advances in Engineering Software,Vol.40 , pp. 438-444.
Palmer, W. C., 1965. Meteorological Drought. Research Paper No. 45, U.S. Department of Commerce Weather Bureau, Washington, D.C.
Palmer, W. C., 1968. Keeping track of crop moisture conditions, nationwide: the new Crop Moisture Index, Weatherwise, 21, pp. 156-161.
Paulo, A.A., Ferreira E., Coelho C., and Pereira, L.S., 2005. Drought Class Transition Analysis through Markov and Loglinear Models, an Approach to early Warning. Agricultural water Management, 77, pp. 59-81.
Paulo, A.A., Pereira, L.S., 2007. Prediction of SPI drought class transitions using Markov chains. Water Resour. Manage, No. 21, pp. 1813-1827.
Peng, H.C., Long, F., and Ding, C. 2005. Feature selection based on mutual information: criteria of max-dependency, max-relevance, and min-redundancy. IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 27, No. 8, pp.1226-1238.
Sudheer, K. P., Gosain, A. K., & Ramasastri, K. S. (2002). A data driven algorithm for constructing artificial neural network rainfall-runoff models. Hydrological Process, Vol. 16, pp. 1325-1330.
Wilhite, D. A. and M. H. Glantz, 1985. Understanding the drought phenomenon: the role of definitions. Water International, 10(3):111-120.
Wilhite, D. A., 1995. Developing a precipitation-based index to assess climatic conditions across Nebraska. Final report submitted to the Natural Resources Commission, Lincoln, Nebraska.
Willeke, G., J. R. M. Hosking, J. R. Wallis, and N. B. Guttman, 1994. The National Drought Atlas. Institute for Water Resources Report 94-NDS-4, U.S. Army Corps of Engineers.
Witten, Ian H., and Frank, Eibe (2005). Data Mining: Practical Machine Learning Tools and Techniques. Morgan Kaufmann, Amsterdam
Wua J., Chen J., Xiong H., and Xie Ming, 2008. External validation measures for K-means clustering: A data distribution perspective. Expert Systems with Applications, Inpress.
Zacharia, K, John, N , (2009), "A fuzzy inference system for modelling streamflow: Case of Letaba River, South Africa". Physics and Chemistry of the Earth, Parts A/B/C,Vol.34 , pp. 688-700.
Zahraie, B., and Karamouz., (2004), "Seasonal Precipitation Prediction Using Large Scale Climate Signals", Proceedings of EWRI-2004 Conference, Salt lake City, USA
Zahraie, B., Karamouz, M., and Eghdami, S., (2004), "Seasonal Precipitation Forecasting Using Large Scale Climate Signals: Application to the Karoon River Basin in Iran", Proceedings of the 6th International Conference on Hydroinformatics – Liong, Phoon & Babovic(eds).