پایان نامه ژنتیک و کامپیوتر - خوشه بندی با هدف پیش بینی هواشناسی

پایان نامه ژنتیک و کامپیوتر خوشه بندی با هدف پیش بینی هواشناسی

پایان نامه ژنتیک و کامپیوتر-75 صفحه

((فایل  Word و  قابل ویرایش می باشد.))

بعد از پرداخت به راحتی همان لحظه می توانید آن را دانلود کنید.

پایان نامه ژنتیک و کامپیوتر - خوشه بندی با هدف پیش بینی هواشناسی

Clustering with the aim of weather forecasting

  قیمت انجام پایان نامه  از 100 هزار تومان تا 4 میلیون تومان متغیر است که پایان نامه های  آماده قیمت ناچیزی دارند.

پس منصف باشید و قیمت ها را با هم مقایسه کنید.

((((پایان نامه ها و تحقیق های تخصصی سایت حاصل زحمت محققین سایت می باشد و  اینترنتی نیست.))))

چکیده

یکی از اهداف پروژه ما جستجوی زمانی و مکانی بوسیله ابزارمناسب برای یافتن پارامترهای جوی مناسب در گستره وسیعی از جغرافیا و به منظور تحقق سیستم هشدارخشکسالی است.

دراین پژوهش، ابتدا به ارائه شرح مختصری از مبانی خوشه بندی پرداخته می شود و در ادامه، روش های معرفی می شوند و نهایتا روش به کار رفته در این تحقیق جهت K-means خوشه بندی با الگوریتم ژنتیک و اصلاح شده ارائه می شود. در این تحقیق هدف اصلی خوشه بندی متغیرهای K-means خوشه بندی ژنتیکی و هواشناسی اعم از فشار و دما در سطوح مختلف جو در بازه های جغرافیایی ذکرمی شود که با توجه به تغییرات, شاخص است. در واقع تحقیقام  گامی در جهت استفاده از حجم وسیعی از اطلاعات (SPI) بارش استاندارد شده هواشناسی ماهواره ای به منظور پیش بینی دوره های کم بارش در مقیاس فصلی در سطح حوضه آبریز بعضی از سدهای کشور است. مدل های پیشنهادی برای خوشه بندی در این تحقیق دارای قابلیت های زیادی است.

بدین ترتیب خوشه بندی صورت گرفته و نتایج آن سبب میشود تا پیش بینی کننده ها و پیش بینی شونده ها مشخص شوند و هم به لحاظ زمانی ارتباط بین وقوع بارندگی های با فواصل مختلف با پیش بینی کننده ها در سابقه اطلاعات موجود قابل ارزیابی باشد و در نهایت مدل پیش بینی فصول کم بارش تدوین شود.

 

فهرست مطالب:

چکیده

فصل اول :مقدمه   

فصل دوم:تعاریف  

2-1- تعاریف       

2-1-1- سیگنالهای بزرگ مقیاس اقلیمی :         

2-1-2- خوشه بندی          

2-1-3- روش های خوشه بندی:        

2-2- سابقه مطالعات روش خوشه بندی ژنتیك (GA-Clustering)   

2-3- خوشه بندی با روش K-means 

2-4- سابقه مطالعات در زمینه بررسی سیگنال های بزرگ مقیاس اقلیمی و پیش بینی های هیدرولوژیكی     

2-5- معیارهای کمی و کیفی ارزیابی بارش و خشکسالی   

2-5-1- نمایه بارش استاندارد شده      

2-5-2- مروری بر تاریخچه استفاده از شاخص استاندارد شده بارش در ادبیات فنی        

فصل سوم:روش شناسی      

3 -1-مقدمه         

2-3 - طرح مسئله 

3-3 - الگوریتم ژنتیک       

4-3 - معرفی روش مرسوم خوشه بندی با الگوریتم ژنتیک

3-5- ساختار مدل پیشنهادی خوشه بندی با الگوریتم ژنتیک در این تحقیق      

-1-5-3 تعیین تابع هدف مسئله بهینه سازی       

3-6- معرفی روش خوشه بندی  K-Means     

-1-6-3   روش  K-Meansمعمولی   

3-6-2-روشK-Means اصلاح شده   

فصل پنجم: نتیجه گیری و ارائه پیشنهادات        

5-1- جمع بندی و نتیجه گیری          

5-2- پیشنهادات    

مراجع:  

 

منابع:

 1. Abedini, M J., Nasseri, M., (2008), “Inverse Distance Weighted Revisited”, 4th APHW, Beijing, China.

2. Abedini, M J., Nasseri, M., and Burn D. (2008), “Are The Nearby Samples Relevant? Another Look at Search Strategy in Geostatistics”, Accepted in Journal of Hydrologic Engineering.

3. Bandyopadhyay, S., and Maulik, U. (2002), "Genetic algorithm-based clustering technique", Journal of Pattern Recognition Society., Vol. 33, pp. 1455-1465

4. 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.

5. Bowden, G. J., Dandy G. C., & Maier, H. R. (2005a). Input determination for neural network models in water resources applications, Part 1-background and methodology. Journal of Hydrology, Vol. 301, pp. 75–92.

6. 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.

7. 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.

8. Garai, G., and Chaudhuri, B.B. (2004), "A novel genetic algorithm for automatic clustering", Journal of Pattern Recognition Letters, Vol. 25, pp. 173-187.

9. Georgios, P.P., Papamichail, D.P., (2007), " The k-means range algorithm for personalized data clustering in e-commerce", European Journal of Operational Research, Vol.177, No. 3, pp. 1400-1408

10. Hamlet, A., Lettenmaier, D.P., (1999), "Columbia River Streamflow Forecasting Based on ENSO and PDO Climate Signals", Journal of Water Resources Planning and Management, Vol. 125, No. 6, pp. 333-341.

11. Harshburger, B.,Ye, H., and Dzialoski J., (2002), "Observational evidence of the influence of Pacific SSTs on winter precipitation and spring stream discharge in Idaho", J. of Hydrology, Vol. 264, pp. 157-169.

12. 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.

13. Hoffman, F. M., Hargrove, W., and Erickson, D., (2005), "Using Clustered Climate Regimes to Analyze and Compare Predictions from Fully Coupled General Circulation Models ", Journal of Earth Interactions, Vol. 9.

14. Kalnay, E. and Coauthors, (1996), “The NCEP/NCAR Reanalysis 40-year Project”, Bull. Amer. Meteor. Soc., 77, 437-471.

15. Kanungo, T.,Mount, D.M., Netanyahu, N.S., Piatko, C., Silverman, R., and Angela Y. Wu, (2002), "An Efficient k-Means Clustering Algorithm:Analysis and Implementation", J. of transactions on pattern analysis and machine intellIgence, Vol. 24, No. 7, pp. 881-892.

16. Krishna, K., and Murty Narasimha, M., (1999), "Genetic K-Means Algorithm", IEEE Transactions on Systems Man And Cybernetics-Part B: Cybernetics, Vol. 29(3), pp. 433-439

17. Krishna, K., and Murty Narasimha, M., (1999), "Genetic K-Means Algorithm", IEEE Transactions on Systems Man And Cybernetics-Part B: Cybernetics, Vol. 29(3), pp. 433-439.

18. Krovi, R., (1991), "Genetic algorithm for clusteinrg: A preliminary investigation", Proc. Twenty-eight Hawaii Int. Conf. on System Sci. IEEE Computer Society Press,

Silver Spring, MD., pp. 540-544.

19. Kulkarni, A., Kripalani, R. H., and Singh, S.V., (1992), "Classification of summer monsoon rainfall patterns over India", International Journal of Climatology, Vol. 12, pp. 269-280.

20. Kuo, R. J., Wang, H. S., Lai Hu, T., Chou, S.H., (2005), "Application of Ant KMeans on Clustering Analysis", Journal of Computers and Mathematics with applications, Vol.50, pp. 1709-1724.

21. Labedzki L., Bak B., (2005), “Drought Mapping in Poland Using SPI. ICID Probabilistic Analysis of Drought Spatiotemporal Characteristics in Thessaly”, 21st European Regional Conference.

22. Levrat, E.; Bombardier, V.; Lamotte, M.; Bremont, J., (1992), "Multi-level image segmentation using fuzzy clustering and local membership variations detection" IEEE International Conference on Fuzzy Systems, Vol. 8, pp. 221 – 228.

23. Lin H., F. Yang, and Y. Ta Kao (2005), " An Efficient GA-based Clustering Technique", Journal of Sience and Engineering., Vol. 8, No. 2, pp. 113-122.

24. 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.

25. MacQueen, J., (1967), "Some methods for classification and analysis of multivariate observations" In Proceedings of the Fifth Berkeley Symposium on Mathematical Statistics and Probability, Vol. 1,Statistics. Edited by Lucien M. Le Cam and Jerzy Neyman. University of California Press.

26. Mason, S.J., (2001), " El Niño, climate change, and Southern African climate". Journal of Environmetrics, Vol. 12, No.4, pp. 327 - 345.

27. 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.

28. 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.

29. 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.

30. 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.

31. Mishra, A.K., Desai, V.R., (2006), Drought forecasting using feed-forward recursive neural network. Ecol. Modell. 198, 127–138.

32. Moreira, E.E., Coelho C.A., Paulo, A.A., Pereira, L.S., Mexia, J.T., (2008), SPIbased drought category prediction using loglinear models. J. Hydrol. 354, 116–130.

33. 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.

34. Moron, V., Neil Ward, M., Navarra, A., (2001), "Observed and SST-forced seasonal rainfall variability across tropical America", International Journal of Climatology, Vol.21, No.12, pp. 1467 - 1501.

35. 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.

36. Nazemosadat, M.J., (1998), "Persian Gulf sea surface tempreture as a drought diagnostic for southern parts of Iran", J. of Drought News Network, Vol. 10, pp. 12- 14.

37. Nazemossadat, M.J., (2000), "On the relationship between ENSO and autumn rainfall in Iran, International Journal of Climatology, Vol. 1, pp. 42-67.

38. Painho, M., and Bacao, F., (2000), " Using Genetic Algorithms in Clustering Problems", Proceedings of 5th international Conference on GeoComputation, University of Greenwith, United Kingdom, August 2000.

39. Palmer, W. C., (1965), Meteorological Drought. Research Paper No. 45, U.S. Department of Commerce Weather Bureau, Washington, D.C.

40. Palmer, W. C., (1968), Keeping track of crop moisture conditions, nationwide: the new Crop Moisture Index, Weatherwise, 21, pp. 156-161.

41. Parasuraman, K., Elshorbagy, A., (2007), "Cluster-Based Hydrologic Prediction Using Genetic Algorithm-Trained Neural Networks", Journal of Hydrologic Engineering, Vol.12, No.1, pp. 52-62.

42. 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.

43. Paulo, A.A., Pereira, L.S., (2007), Prediction of SPI drought class transitions using Markov chains. Water Resour. Manage, No. 21, pp. 1813-1827.

44. 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.

45. Potter, C., Steinbach, M., Tan, P.N., Kumar, V., and Klooster, S., (2003), "Discovery of climate indices using clustering", Proceeding of the ninth ACM SIGKDD international conference on Knowledge discovery and data mining, Washington D.C.

46. Ramos, V., and Muge, F., (2000), "Map Segmentation by Colour Cube Genetic KMean Clustering", J. of Lecture Notes in Computer Science, Vol. 1923, pp.319-329.

47. Ramos, V., and Muge, F., (2000), "Map Segmentation by Colour Cube Genetic KMean Clustering", J. of Lecture Notes in Computer Science, Vol. 1923, pp.319-329.

48. Reason, C.J.C., Allan R.J., Lindesay, J.A., Ansell T.J., (2000), " ENSO and climatic signals across the Indian Ocean Basin in the global context: part I, interannual composite patterns", International Journal of Climatology, Vol. 20, No.11, pp. 1285 – 1327.

49. Reason, C.J.C., Mulenga, H., (1999), " Relationships between South African rainfall and SST anomalies in the Southwest Indian Ocean", International Journal of Climatology, Vol.19, No.15, pp. 1651 - 1673.

50. Redmond, K.T., and Koch, R. W., (1991), "Surface climate and streamflow variability in the western United States and their relationship to Large-Scale circulation Indices", J. of Water Resources Research, Vol. 27, pp. 2381-2399.

51. Rucong, Y., Minghua, Z., Yongqiang, Y., Yimin, L., "Summer monsoon rainfalls over Mid—Eastern China lagged correlated with global SSTs", J. of Advances in Atmospheric Sciences, Vol. 18, No. 2, pp.179-196.

52. Semmler, S., and Jacob, J., (2004), "Modeling extreme precipitation events—a climate change simulation for Europe", J. of Global and Planetary Change, Vol. 44, pp.119-127.

53. Steinemann A., (2003), Drought Indicators and Triggers: a Stochastic Approach to Evaluation. Journal of American Water Resources Association, 39(5), pp. 1217-1233.

54. 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.

55. Wang, Y., Wang, B., and Oh, J., (2001), "Impact of the preceding El Nino on the East Asian summer atmosphere circulation", J. of the meteorological Society of Japan, Vol. 79, pp. 575-588.

56. Wilhite, D. A. and M. H. Glantz, (1985). Understanding the drought phenomenon: the role of definitions. Water International, 10(3):111-120.

57. 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.

58. 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.

59. Witten, Ian H., and Frank, Eibe (2005), Data Mining: Practical Machine Learning Tools and Techniques. Morgan Kaufmann, Amsterdam

60. 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.

61. Zahraie, B., and Karamouz., (2004), "Seasonal Precipitation Prediction Using Large Scale Climate Signals", Proceedings of EWRI-2004 Conference, Salt lake City, USA.

62. Zahraie, B., and Roozbahani, A., (2007), "Climate Signal Clustering Using Genetic Algorithm for Precipitation Forecasting: A Case Study of Southeast of Iran" Proceedings of the Word Environmental & Water Resources Congress (ASCE),Tampa, Florida, USA.

63. 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).

64.  اقدامی، س.، ( 1383 )، "بررسی تاثیر سیگنال های هواشناسی بر بارش و رواناب حوضهی آبریز کارون و دز، تحقیق کارشناسی ارشد رشته مدیریت منابع آب (مهندسی عمران) ، دانشکده مهندسی عمران، دانشگاه تهران، تهران.

65. حق نگهدار، الف .، ( 1382 )، "تاثیر سیگنال ها ی هواشناس ی در اصلاح پیش بین ی جریانات رودخانه ای"، تحقیق کارشناسی ارشد رشته مدیریت منابع آب (مهندسی عمران)، دانشگاه امیرکبیر، تهران.

66.  زهرایی، ب، و ع. روزبهانی، ( 1385 )، "خوشه بندی سیگنال ها ی هواشناس ی با توجه به بارش در استان سیستان و بلوچستان"، مجموعه مقالات دومین کنفرانس مدیریت منابع آب ایران، اصفهان.

67. علیزاده، الف.، ( 1378 )، "اصول هیدرولوژی کاربردی"، انتشارات دانشگاه امام رضا، مشهد.

68. کوره پزان، الف.، ( 1382 )، "تاثیر سیگنال های هواشناسی در پیش بینی تغییرات بارش"، تحقیق کارشناسی ارشد رشته مدیریت منابع آب (مهندسی عمران) ، دانشگاه امیرکبیر، تهران.

69.  النینو- نوسانات جنوبی)"، تحقیق کارشناسی ارشد ) ENSO. مدرس پور، الف.، ( 1373 )، ناهنجار یهای اقلیمی ایران و رشته فیزیک دریا، دانشگاه آزاد اسلا می واحد تهران شمال.

70.  ناظم السادات، م.ج.، ( 1380 )، "آیا باران می بارد؟ خشکسالی و بارندگی مازاد در ایران و ارتباط آنها با پدیده ال نینو - نوسانات جنوبی"، انتشارات دانشگاه شیراز.