مشخصات کتاب

Spatio-Temporal Characterisation of Drought: Data Analytics, Modelling, Tracking, Impact and Prediction

ویرایش:  
نویسندگان: Vitali Díaz Mercado  
سری:  
ISBN (شابک) : 9781032246505 
ناشر: CRC Press 
سال نشر: 2022 
تعداد صفحات: 160
[161] 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 5 Mb 

در صورت تبدیل فایل کتاب Spatio-Temporal Characterisation of Drought: Data Analytics, Modelling, Tracking, Impact and Prediction به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.

توجه داشته باشید کتاب خصوصیات مکانی-زمانی خشکسالی: تجزیه و تحلیل داده ها، مدل سازی، ردیابی، تاثیر و پیش بینی نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.

توضیحاتی در مورد کتاب خصوصیات مکانی-زمانی خشکسالی: تجزیه و تحلیل داده ها، مدل سازی، ردیابی، تاثیر و پیش بینی

مطالعات خشکسالی با توجه به در دسترس بودن داده های جدید و پیشرفت در تجزیه و تحلیل مکانی-زمانی افزایش یافته است. با این حال، شکاف‌های زیر هنوز باید پر شوند: 1) روش‌هایی برای توصیف خشکسالی که به صراحت ویژگی‌های زمانی- مکانی آن، مانند وسعت (منطقه) و مسیر مکانی را در نظر می‌گیرند. 2) روش های پایش و پیش بینی خشکسالی که شامل ویژگی های ذکر شده در بالا می باشد و 3) رویکردهایی برای تجسم و تجزیه و تحلیل ویژگی های خشکسالی برای تسهیل تفسیر تغییرات آن. هدف این تحقیق بررسی، تحلیل و پیشنهاد بهبود خصوصیات مکانی-زمانی خشکسالی است. نتایج دیدگاه های جدیدی را برای پیش بینی بهتر ارائه می دهند. اهداف زیر پیشنهاد شد. 1) بهبود روش برای توصیف خشکسالی بر اساس ویژگی های فضایی پدیده. 2) یک رویکرد بصری برای تجزیه و تحلیل تغییرات خشکسالی ایجاد کنید. 3) روشی برای ردیابی خشکسالی فضایی ایجاد کنید. 4) تکنیک‌های یادگیری ماشینی (ML) را برای پیش‌بینی پاسخ عملکرد محصول به خشکسالی کاوش کنید. چهار هدف مورد توجه قرار گرفت و نتایج ارائه شده است. در نهایت، یک محدوده برای ادغام ML و تجزیه و تحلیل مکانی-زمانی خشکسالی فرموله شد. محدوده پیشنهادی یک منطقه جدید بالقوه برای پیش‌بینی خشکسالی (یعنی پیش‌بینی مسیرها و مناطق خشکسالی فضایی) باز می‌کند. انتظار می رود که روش ردیابی و پیش بینی خشکسالی به جمعیت کمک کند تا با خشکسالی و اثرات شدید آن مقابله کنند.

توضیحاتی درمورد کتاب به خارجی

Studies of drought have increased in light of new data availability and advances in spatio-temporal analysis. However, the following gaps still need to be filled: 1) methods to characterise drought that explicitly consider its spatio-temporal features, such as spatial extent (area) and pathway; 2) methods to monitor and predict drought that include the above-mentioned characteristics and 3) approaches for visualising and analysing drought characteristics to facilitate interpretation of its variation. This research aims to explore, analyse and propose improvements to the spatio-temporal characterisation of drought. Outcomes provide new perspectives towards better prediction. The following objectives were proposed. 1) Improve the methodology for characterising drought based on the phenomenon’s spatial features. 2) Develop a visual approach to analysing drought variations. 3) Develop a methodology for spatial drought tracking. 4) Explore machine learning (ML) techniques to predict crop-yield responses to drought. The four objectives were addressed and results are presented. Finally, a scope was formulated for integrating ML and the spatio-temporal analysis of drought. Proposed scope opens a new area of potential for drought prediction (i.e. predicting spatial drought tracks and areas). It is expected that the drought tracking and prediction method will help populations cope with drought and its severe impacts.

نظرات کاربران

کتاب های تصادفی

دانلود کتاب Gastrointestinal Imaging: Case Review Series, 2nd Edition

دانلود کتاب The Battle for the High Street: Retail Gentrification, Class and Disgust

دانلود کتاب Applied Probability and Stochastic Processes

دانلود کتاب Rational Piety and Social Reform in Glasgow

دانلود کتاب From the New Deal to the New Right: Race and the Southern Origins of Modern Conservatism