جستجو در مقالات منتشر شده


2 نتیجه برای ملکیان

سمانه پوریزدی، منصوره ملکیان،
دوره 13، شماره 30 - ( 9-1392 )
چکیده

امروزه با توجه به افزایش فزاینده جمعیت و تقاضای روزافزون در استفاده از منابع گردشگری، توجه به ظرفیت برد منابع و بهره­برداری از آن­ها در حد ظرفیت و توان آن­ها بیش از پیش اهمیت یافته است. مقاله حاضر به بررسی ظرفیت برد گردشگری در چهار بوستان شهر قم شامل بوستان­های هاشمی، نبوت، فدک و علوی می پردازد. داده­های مورد نیاز برای انجام تحقیق از طریق پرسشنامه و نیز آمارهای آب و هوائی ایستگاه هواشناسی قم جمع­آوری گردید. در نهایت ظرفیت برد فیزیکی، واقعی و مؤثر چهار بوستان مورد مطالعه به دست آمد. نتایج نشان داد که بوستان علوی بیشترین ظرفیت برد و بوستان نبوت کمترین ظرفیت برد گردشگری را دارد و توانمندی های مدیریتی پارک نقش مهمی در میزان ظرفیت برد گردشگری پارک های مورد مطالعه دارد. در فصول پائیز و زمستان و در ایام غیر تعطیل هفته میزان تقاضا از حد ظرفیت برد کمتر بوده و در فصول بهار و تابستان و در روزهای جمعه و تعطیل و غالباً در ساعات بعد از غروب خورشید میزان تقاضا از حد ظرفیت برد فراتر می­رود. بنابراین با توجه به زمان اوج بازدید، باید ظرفیت برد پارک بتواند این زمان­ها را تحمل کند تا از افزایش فشار بر منابع و تسهیلات پارک جلوگیری شود. بنابراین این موضوع باید در طرح­ریزی پارکها مورد توجه قرار گیرد.
آرش ملکیان، مه رو ده بزرگی، امیر هوشنگ احسانی،
دوره 15، شماره 36 - ( 3-1394 )
چکیده

خشکسالی یکی از مخرب ترین بلایای طبیعی در جوامع بشری محسوب می شود که می تواند تاثیرات جبران ناپذیر کشاورزی، زیست محیطی، اجتماعی و اقتصادی  به همراه داشته باشد. بنابراین آگاهی از وقوع خشکسالی می تواند در کاهش خسارات موثر باشد. در این پژوهش، به منظور مدلسازی و شبیه سازی شدت خشکسالی در طول یک دوره آماری 37 ساله (1350- 1386) در 21 ایستگاه بارانسنجی واقع در ناحیه نیمه خشک سرد شمال غربی ایران از شبکه عصبی مصنوعی بهره گرفته شد. داده های ورودی به شبکه شامل میانگین بارش سالیانه و نیز شاخص دهک بارش سالیانه برای تمامی ایستگاه ها بوده که 80% داده ها برای آموزش شبکه (1350-1379) و20% باقیمانده برای تست و اعتبار سنجی شبکه (1380-1386) انتخاب گردید. سپس عمل پیش بینی خشکسالی توسط الگوریتم آموزش دیده شده توسط شبکه عصبی مصنوعی و بدون استفاده از داده های واقعی و مشاهداتی، برای سال های 1387 تا 1391صورت گرفت. معماری مطلوب شبکه به صورت مدل پرسپترون  با سه لایه پنهان، الگوی پس انتشار خطا و تابع محرک سیگموئید به همراه 10 نرون در لایه میانی انتخاب گردید. نتایج حاصله نشان داد که شبکه عصبی مصنوعی به خوبی قادر به پیش بینی روابط غیر خطی بارش و خشکسالی بوده بطوریکه با همبستگی بیشتر از 97% و خطای کمتر از 5% مقادیر شاخص دهک بارش را پیش بینی نموده و نتایج حاصل از این پیش بینی بطور زیادی منطبق با مقادیر واقعی می باشد. از این رو با استفاده از این روش می توان وضعیت خشکسالی را در سال های آتی پیش بینی کرده و در مدیریت و بهره وری منابع آب و نیز مدیریت خشکسالی و تغییرات اقلیمی از این روش بهره جست.

صفحه 1 از 1     

کلیه حقوق این وب سایت متعلق به نشریه تحقیقات کاربردی علوم جغرافیایی می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2024 CC BY-NC 4.0 | Journal of Applied researches in Geographical Sciences

Designed & Developed by : Yektaweb