عناصر مشابهة
نموذج إحصائي مقترح للتنبؤ بمتوسط درجات الحرارة الشهرية ومدى تأثرها بظاهرة الإحتباس الحراري بالتطبيق على محافظة القاهرة
| العنوان بلغة أخرى: | Proposed A Statistical Model to Predict Average Monthly Temperatures and the Extent Affected by the Phenomenon of Global Warming in Cairo Governorate |
|---|---|
| المصدر: | المجلة العربية للإدارة |
| الناشر: |
المنظمة العربية للتنمية الإدارية
|
| المؤلف الرئيسي: | |
| مؤلفين آخرين: | , |
| المجلد/العدد: | مج35, ع1 |
| محكمة: | نعم |
| الدولة: | مصر |
| التاريخ الميلادي: | 2015 |
| الصفحات: | 441 - 456 |
| DOI: | 10.21608/AJA.2015.18034 |
| ISSN: | 1110-5453 |
| رقم MD: | 795190 |
| نوع المحتوى: | بحوث ومقالات |
| اللغة: | Arabic |
| قواعد المعلومات: | EcoLink |
| مواضيع: | |
| رابط المحتوى: |
|
| المستخلص: | تناول هذا البحث التنبؤ بمتوسط درجات الحرارة الشهرية العظمى والصغرى، مع التطبيق على محافظة القاهرة، وذلك في الفترة من يناير 1961 إلى ديسمبر2007. وقد تم استخدام أسلوبين هما أسلوب تحليل الانحدار في استجابات متعددة وأسلوب الشبكات العصبية باستخدام طريقة الارتداد الخلفي، حيث كانت المتغيرات التابعة هي المتوسط الشهري لدرجات الحرارة العظمي والمتوسط الشهري لدرجات الحرارة الصغرى، بينما كانت المتغيرات المستقلة هي الضغط الجوي، والرطوبة النسبية، فترات سطوع الشمس، سرعة الرياح، كمية التبخر (متغير يعبر عن ظاهرة الاحتباس الحراري)، كمية الأمطار الشهرية. وقد توصل الباحثون إلى أن أسلوب الشبكات العصبية يعطى تنبؤات أكثر دقة من أسلوب الانحدار في استجابات متعددة، كما أن ظاهرة الاحتباس الحراري المتمثلة في متغير كمية البخر ليس لها تأثيرا على متوسط درجات الحرارة العظمى أو الصغري. This research addressed the problem of forecasting an average monthly temperature, maximum and minimum with the application on the govemorate of Cairo, in the period from January 1961 to December 2007. Two statistical methods are used; Multi-responses Regression Analysis (MRRA) and Artificial Neural Networks (ANN) method of Back Propagation. Where the dependent variables are the average monthly temperatures, maximum and minimum, while the independent variables are the air pressure, relative humidity, periods of sunshine, wind speed, the amount of evaporation (variable reflects the phenomenon of global warming), the amount of monthly rainfall. The research found that the neural networks method gives more accurate forecasting comparing with Multi-Responses Regression Analysis, and the variable amount of evaporation does not substantially affect the average temperature maximum or minimum. |
|---|
