ANFIS

سیاست گذاران پولی به منظور جلوگیری از زیان های ناشی از تغییرات از هم گسیخته نرخ ارز، همواره درصدد یافتن روشی مناسب برای پیش بینی نرخ ارز بوده اند. لیکن ویژگی های چند بعدی نرخ ارز باعث رفتار پیچیده و غیرخطی آن شده و مدل های غیرخطی از عمل کرد بهتری در پیش بینی آن برخوردار می باشند. لذا، در این مطالعه کارایی مدل های غیرخطی ANFIS و NNARX و مدل خطی ARIMA در پیش بینی برابری نرخ ارز ریال/دلار آمریکا و ریال/یورو برای 2، 4 و 8 روز آتی با استفاده از مهمترین معیارهای ارزیابی کارایی مدل ها و داده های روزانه مربوط به دوره 1/9/1387-1/1/1381 مقایسه شد. نتایج نشان داد که مدل های ANFIS و NNARX در مقایسه با مدل ARIMA و مدل ANFIS در مقایسه با مدل NNARX در همه افق های مورد نظر، از کارایی بیشتری در پیش بینی نرخ ارز ریال/دلار آمریکا و ریال/یورو برخوردار می باشد.

ارزیابی آسیب پذیری آبخوان، کاری سودمند برای توسعه و مدیریت و تصمیم گیری های مربوط به کاربری اراضی، نحوه پایش کیفی منابع آب زیرزمینی و جلوگیری از آلودگی این آب ها به شمار می آید. هدف از این مطالعه، به کارگیری مدل هوشمند ریاضی برای پیش بینی آسیب پذیری آب های زیرزمینی در استان زنجان است و به همین خاطر با استفاده از مدل ANFIS، روش جدیدی برای تخمین آسیب پذیری آب های زیرزمینی ارائه شده است. فرایند توسعه و ارزیابی این مدل با استفاده از مجموعه داده های واقعی و معیارهای آماری صورت گرفته است. بدین منظور با تهیة داده های مورد نیاز شامل عمق سطح آب زیرزمینی، تغذیه خالص، محیط آبخوان، محیط خاک، توپوگرافی، تأثیر منطقه غیراشباع و هدایت هیدرولیکی آبخوان، اقدام به ایجاد مدل ANFIS شد. در مرحلة بعد نتایج حاصل از مدل با داده های واقعی اعتباریابی گردید. طبق نتایج تحقیق، مدل ایجاد شده توان پیش بینی موفقیت آمیز آسیب پذیری آب های زیرزمینی را دارد. مقادیر RMSE و در مرحله آموزش به ترتیب 18/101 و 98/0، و در مرحله ارزیابی 8/173 و 94/0 به دست آمدند. روش ارائه شده در این تحقیق، رهیافت جدیدی در تخمین آسیب پذیری آب های زیرزمینی به شمار می آید و قابلیت اتصال و ترکیب با مدل های دیگر و نیز به هنگام سازی با توجه به شرایط واقعی را به خوبی دارد. در بررسی نتایج حاصل از مدل ANFIS، بیشترین درصد پتانسیل آلودگی دشت مربوط به کلاس آسیب پذیری کم 74 درصد، و کمترین آن مربوط به کلاس خیلی بالا 1 درصد برآورد شده است.

در این مقاله قابلیت پیش بینی بازده روزانه قیمت جهانی طلا از تاریخ 25/07/2011 تا 17/12/2012 مورد بررسی قرار گرفته است. بدین منظور ابتدا با استفاده از آزمون براک- دیکرت- شاینکمن (BDS) به بررسی خطی، غیرخطی و آشوبناک بودن سری مورد مطالعه پرداخته شده است. نتایج تحقیق فرض تصادفی بودن سری مورد مطالعه را رد می کند که شاهدی بر پیش بینی پذیر بودن بازده روزانه قیمت طلاست. همچنین فرضیه عدم وجود رابطه غیرخطی در جملات پسماند مدل خطی رد می شود که نشان از وجود رفتار غیرخطی در سری مورد بررسی است. برای پیش بینی بازده روزانه قیمت طلا یک مدل عصبی فازی ANFIS طراحی گردیده و نتایج آن با استفاده از معیارهای مختلف مورد ارزیابی قرار گرفته است. همچنین نتایج با نتایج دو مدل خطی ARMA و غیرخطی GARCH مقایسه شد که مطابق انتظار، مدل غیرخطی ANFIS پیش بینی بهتری از سایر مدل های رقیب داشت. در نهایت با استفاده از آماره مورگان- گرنجر- نیبولد (MGN) معنی داری اختلاف پیش بینی مدل ها مورد بررسی قرار گرفت. نتایج حاکی از معنی دار بودن اختلاف پیش بینی مدل های غیرخطی نسبت به مدل خطی ARMA است.

خشکسالی به عنوان یک پدیده اقلیمی به شدت بر همه جوانب فعالیت های بشری تاثیر می گذارد. با این حال مطالعات انجام شده در رابطه با این پدیده بر اساس روش های مناسب بسیار کم می باشد. بررسی ویژگی های خشکسالی و پیش بینی آن می تواند در کاهش خسارات حاصل از آن موثر باشد. از این رو در این تحقیق به بررسی خشکسالی و ارزیابی امکان پیش بینی آن برای ایستگاه هایی از استان اردبیل پرداخته می شود. داده های مورد استفاده این تحقیق مقدار بارندگی به صورت ماهانه در دوره آماری 23 ساله می باشد. شاخص بارندگی استاندارد شده در مقیاس های زمانی 1، 3، 6 و 12 ماهه برای بررسی ویژگی خشکسالی و مدل سیستم استنتاج عصبی - فازی تطبیقی برای پیش بینی خشکسالی مورد استفاده قرار می گیرد. بر اساس نتایج حاصل از این پژوهش شدیدترین خشکسالی در استان اردبیل در ایستگاه شهرستان اردبیل در مقیاس زمانی 6 ماهه، در ماه دسامبر سال 2010 با مقدار شاخص 47/2- رخ داده است. در مجموع بیشترین درصد وقوع خشکسالی در ایستگاه پارس آباد و کمترین آن در ایستگاه خلخال مشاهده می شود. به جز ایستگاه پارس آباد در مقیاس زمانی 3 و 6 ماهه، روند خطی شاخص SPI کاهشی است، به عبارتی خشکسالی روند افزایشی دارد. بر اساس تحلیل خوشه ای انجام شده ایستگاه خلخال و اردبیل در هر چهار مقیاس زمانی در یک گروه قرار گرفته اند بنابراین ویژگی خشکسالی در آنها مشابه هم است و ایستگاه پارس آباد در گروه دیگر قرار دارد. نتایج حاصل از پیش بینی شاخص با مدل انفیس نشان داد که در اکثر موارد خطای پیش بینی قابل توجه بوده و مدل در این پیش بینی کارایی قابل قبولی ندارد.

اطلاع از میزان تقاضای موجود در زمینه صدور پروانه ساخت در هر دوره یکی از مباحث اساسی است که شهرداری ها در راه پاسخگویی به تقاضاکنندگان نیازمند آن هستند. عدم اطلاع در این زمینه سبب ایجاد مشکلاتی مانند اتلاف وقت و انرژی، کاهش کارایی و نارضایتی ارباب رجوع و در نهایت فقدان برنامه ریزی مدون را سبب می شود. با توجه به روند پرنوسان و غیر خطی انگیزه افراد برای ساخت وساز و در ادامه تهیه مجوز ساختاز شهرداری و متغیرهای موثر بر آن، مدل های غیرخطی و بخصوص شبکه های عصبی (ANN) و سیستم استنتاج عصبی فازی تطبیقی (ANFIS) در این امر توفیق بیشتری داشته اند. به این منظور ترکیبی از اساسی ترین پارامترهای برون بخشی و درون بخشی تاثیر گذار در تصمیم گیری افراد برای ساخت وساز یعنی جمعیت شهرو نرخ رشد آن، متوسط درآمد وهزینه خانوار شهر (زابل)، تاثیرفصل های مختلف سال در قالب عامل دما، میزان تولید ناخالص داخلی(در سطح کلان)، تورم، ونوسانات مربوط به نرخ ارز (به عنوان پارامترهای برون بخشی) و عواملی مانند زمین و قیمت آن، تراکم و نرخ عوارض ساخت وساز (به عنوان عناصر درون بخشی) در نظر گرفته شده اند. در این بینبرای مقایسه توانایی آن ها نسبت به هم از معیارهای ارزیابی کارایی مدل ها مانند(ضریب تعیین)MAD,(میانگین قدر مطلق انحرافات) و RMSE (ریشه میانگین مربع خطا) استفاده شده است. در نهایت ANFIS به دلیل اتکا به ترکیب (( قدرت یادگیری شبکه عصبی و عملکرد منطقی سیستم های فازی)) ؛ بامقدار (9656/0، 9899/0), RMSE(0026/0، 0064/0) ,MAD (0018/0، 0061/0)به ترتیب برای آموزش و آزمون، بر روشANNبرتری نشان داده در نتیجه مدل مناسبتری برای پیش بینی هدف ماست.

بانک ها به عنوان بخش اصلی نظام مالی نقش کلیدی را در تأمین مالی بخش های مختلف اقتصادی بر عهده دارند. یکی از مهم ترین موضوع های مطرح شده در زمینه ی مدیریت مالی و بازار یابی مالی، این است که سرمایه گذاران فرصت های مناسب سرمایه گذاری را از فرصت های نامطلوب تشخیص دهندو مدیران مدیریت مالی موثر و کارآمد در تامین منابع مالی داشته باشند. یکی از راه های کمک به سرمایه گذاران، ارائه ی الگوهای پیش بینی ورشکستگی شرکت ها است. تا به امروز تکنیک های مختلفی برای طراحی مدل های پیش بینی ورشکستگی شرکت ها مورد استفاده قرار گرفته است. از آنجا که مطالعات اخیر در زمینه ی پیش بینی ورشکستگی ، بر ایجاد و به کارگیری هوش مصنوعی و روش های یادگیری ماشینی متمرکز شده است، لذا در پژوهش حاضر به منظور پیش بینی ورشکستگی شرکت ها از شبکه های عصبی-فازی(ANFIS)و شبکه های عصبی مصنوعی(ANN) و رگرسیون لجیت(LR) به عنوان مدل مقایسه ای وبرای پیاده سازی مدل ها، از نرم افزار متلب نسخه 2015 استفاده شده است. نمونه ی تحت بررسی شامل 71 شرکت ورشکسته و 74 شرکت سالم می باشد که طی یک دوره 5 ساله از سال 1389 الی1394از بورس اوراق بهادر تهران انتخاب شده اند. یافته های تحقیق حاکی از آن است که در پیش بینی ورشکستگی شرکت ها، مدل مبتنی بر شبکه های عصبی مصنوعی(ANN) نسبت به مدل مبتنی بر شبکه های عصبی-فازی(ANFIS) و رگرسیون لجیت(LR) از دقت کلی بیشتری برخوردار است.

یکی از مسائل مهم در اقتصاد پیش بینی رشد اقتصادی می باشد. پیش بینی صحیح رشد اقتصادی، اثر مهمی در سیاست گذاری و برنامه ریزی های اقتصادی دولت دارد و می تواند علاوه بر ایجاد زمینه توسعه روش های جدید پیش بینی، سیاست گذاران را در تصمیم گیری آتی یاری رساند. پیش بینی بر اساس مدل های چند متغیری اقتصادسنجی با محدودیت های زیادی همراه است، بنابراین یک روش جایگزین استفاده از مدل های تک متغیری است. اما اکثر روش های تک متغیری برای حصول به نتیجه خوب نیاز به داده های زیادی دارند. از این رو در این مطالعه کارایی مدل میانگین متحرک خودرگرسیون تجمعیARIMA) ) با روش های مارکف سوئیچینگ و شبکه عصبی فازی (ANFIS) در پیش بینی رشد اقتصادی ایران مقایسه می شود. برای تخمین مدل از داده های دوره 1338 تا 1384 استفاده شده است. سپس کارایی این مدل ها در پیش بینی رشد اقتصادی ایران برای دوره 1385 تا 1392 با استفاده از معیارهای RMSE، MAE و MAPE ارزیابی و مقایسه شده است. مقایسه این معیارها حاکی از این است که بهترین عملکرد متعلق به روش ANFIS است. همچنین مدل مارکف سوئیچینگ عملکرد بهتری نسبت به مدل ARIMA دارد.

با توجه به تاثیر دمای هوا بر جوانب مختلف زندگی بشر و لزوم مطالعه ی نحوه ی تغییرات و پیش بینی آن، در این مطالعه با استفاده از تحلیل های آماری تغییرات دمای میانگین، حداقل و حداکثر ماهانه، در طول دوره ی آماری 24 ساله (از ماه ژانویه ی سال 1987 تا ماه دسامبر سال 2010 به طول 288 ماه) در ایستگاه های استان اردبیل بررسی، و در ادامه امکان پیش بینی دما با استفاده از سیستم استنتاج فازی - عصبی تطبیقی ارزیابی شد. نتایج حاصل نشان داد که روند تغییرات دمای ماهانه در ایستگاه های استان اردبیل طی دوره ی مورد مطالعه افزایشی بوده است. شدت افزایش دمای حداقل بیشتر از دمای حداکثر و میانگین بود. بر اساس نتایج پیش بینی، رابطه ی مشخصی بین ویژگی های آماری داده ها و خطاهای پیش بینی وجود داشت. هرچه دامنه ی تغییرات داده ها کمتر، واریانس و انحراف معیار آنها بیشتر بوده و امکان پیش بینی مقادیر داده ها بیشتر است. در اکثر موارد در فصول سرد سال نوسان مقادیر دمای ماه ها در سال های مختلف بیشتر بوده است، مدل در پیش بینی این موارد دچار خطای بیشتری شده است. در اکثر موارد مدل دمای ماه های فصول گرم سال را که روند مشخص تری دارند بهتر پیش بینی کرده است. در کل بر اساس نتایج این تحقیق سیستم استنتاج فازی - عصبی تطبیقی در اکثر موارد کارایی قابل قبولی در پیش بینی دمای میانگین، حداقل و حداکثر ماهانه در ایستگاه های استان اردبیل داشته است.

برآورد دبی اوج، یکی از موضوعات اساسی در مدیریت منابع آب و کنترل سیلاب، جایگاه ویژه ای در موفقیت طراحی سازه های آبی و کارایی اقدامات بیومکانیکی در حوضه های آبخیز دارد. در این پژوهش سعی شده است با مقایسه سه روش اصلی در هوش مصنوعی (مدل شبکه عصبی پرسپترون چند لایه، مدل الگوریتم ترکیبی شبکه عصبی با ژنتیک و مدل ترکیب خوشه بندی کاهشی و روش نورو فازی (ANFIS، بهترین روش پیش بینی دبی حداکثر رودخانه یلفان در محل ایستگاه هیدرومتری و رسوب سنجی یلفان (یکی از زیرحوضه های سد اکباتان همدان) انتخاب شود. به این منظور در این سه مدل،8 متغیر بارندگی مربوط به روز وقوع سیل، بارندگی های روزانه تا 5 روز پیش، دبی پایه در روز وقوع سیل و CN حوضه به منزله پارامترهای ورودی (1380 تا 1391) و دبی حداکثر به منزله خروجی در نظر گرفته و وارد نرم افزار متلب شد؛ سپس با بهره گیری از روش های هوش مصنوعی و پیش پردازش داده ها، ساختار بهینه مدل با استفاده از داده های ورودی و خروجی و با ملاک قراردادن معیارهای ارزیابی RSME، MAE و NSE به روش سعی و خطا تعیین شد. در مدل تلفیقی شبکه عصبی و الگوریتم ژنتیک، پس از تعیین مدل بهینه شبکه عصبی، نتیجه مدل به الگوریتم ژنتیک وارد شد. در مدل تلفیقی خوشه بندی با ANFIS، پس از تعیین مدل بهینه خوشه بندی، نتیجه مدل به ANFIS وارد و درنهایت با توجه به معیار ارزیابی، ساختار بهینه مدل تعیین شد. نتایج نشان داد مدل تلفیقی شبکه عصبی و الگوریتم ژنتیک نسبت به مدل شبکه عصبی و نیز مدل ترکیب خوشه بندی کاهشی و مدل ANFIS عملکرد بهتری در برآورد دبی سیلاب در حوزه یلفان دارد.

در قرون آینده تصور دنیای بدون مسافرت های هوایی امری غیرممکن تلقی می گردد. همه روزه شرکت های هواپیمایی میلیون ها مسافر و کالا را بین کشورها و شهرهای مختلف جابجا می نمایند. در این فرایند امنیت پرواز هواپیماها از اهمیت ویژه ای برخوردار است. کشورهای مختلف برای تامین امنیت خود نیازمند سامانه های پیشرفته کشف، شناسایی مراقبت هوافضایی آسمان برای همه اهداف پروازی هستند. در بسیاری از کشورها فرایند کشف با استفاده از انواع رادارها صورت می پذیرد و فرایند شناسایی به چندین روش مختلف و عمدتاً توسط افراد متخصص در مراکز کنترل فضایی انجام می شود. اشکال عمده روش های فعلی احتمال بروز خطاهای تصمیم گیری انسانی می باشد. لذا به نظر می رسد با توجه به پیش بینی های انجام شده و روند رو به افزایش ترافیک هوایی لازم است با استفاده از مدل های تصمیم گیری فازی و هوش مصنوعی سامانه های نرم افزاری طراحی نمود که بتواند به عنوان تصمیم یار به نفرات تصمیم گیرنده در این حوزه کمک نماید. بر همین اساس در این مقاله با استفاده از داده های موجود به عنوان اطلاعات آموزشی، آزمون و اعتبارسنجی و آموزش در محیط الگوریتم فازی رابط کاربری تاکاچی- سوگنو در محیط نرم افزار متلب استفاده شده و الگوی بهینه ای جهت فرایندهای کشف و شناسایی توسط سامانه پیشنهادی ارائه گردیده است. مهمترین نتیجه این تحقیق بهبود تشخیص و اقدام مناسب اهداف پروازی به میزان حدود 20 درصد می باشد. با توجه به اینکه الگوریتم پیشنهادی به دلیل بهره گیری از پایگاه دانش قابلیت یادگیری و پیش بینی روندها را دارا می باشد، در مأموریت های آینده کاربرد وسیع تری خواهد داشت.

در این پژوهش، برای اولین بار در ایران، تابش کل خورشیدی (GSR) با به کارگیری داده های ساعتی رطوبت خاک و بدون استفاده از داده های ساعت آفتابی و مقدار ابرناکی برآورد شد. بدین منظور، از هشت متغیر روزانه شامل میانگین دمای هوا، بیشینه دما، کمینه دما ، فشار هوا، رطوبت نسبی هوا، بارندگی، دمای میانگین خاک، و رطوبت خاک در کنار تابش کل روزانه در ایستگاه تحقیقاتی هواشناسی دانشگاه بوعلی سینا در یک دوره 435روزه (ثبت شده توسط واقعه نگاشت GEONICA) و مدل های رگرسیون خطی، سیستم استنتاج عصبی- فازی تطبیفی (ANFIS)، شبکه عصبی پرسپترون چندلایه (MLP)، و شبکه عصبی رگرسیون تعمیم یافته (GRNN) استفاده شد. نمونه های ورودی- هدف به دو صورت تصادفی و غیرتصادفی وارد مدل ها شد که نتایج گواه بر دقت بهتر مدل ها در نمونه های تصادفی شده تحت شرایط استفاده از کل متغیرها به عنوان ورودی بود. بررسی ها حاکی از برتری مدل MLP با 04/3RMSE= مگاژول بر متر مربع در روز و %33/86=R2 بود. افزون براین، به کارگیری کمترین متغیرهای هواشناسی شامل سه متغیر دمای میانگین هوا، رطوبت نسبی هوا، و دمای خاک در مدل GRNN توانست با 45/3RMSE= مگاژول بر مترمربع در روز و %52/82R2= عملکرد بسیار مطلوبی در تخمین GSR ارائه دهد. رگرسیون خطی چند متغیره نیز فقط توانست یافتن ورودی ها را تسهیل کند.

در سال های اخیر، استفاده از روش های مدل سازی که مستقیماً از داده های تجربی استفاده می کنند به دلیل دقت بالا در پیش بینی نتایج فرآیند، به جای روش های آماری رو به افزایش است. در این مقاله، توانایی مدل های شبکه عصبی مصنوعی (ANN) و سیستم استنتاج فازی-عصبی تطبیقی (ANFIS) در پیش بینی عملکرد حرارتی نانوسیال Al 2 O 3 که توسط مقاومت حرارتی سنجیده می شود، بررسی شده است. داده های آزمایشگاهی از یکی از مقالات معتبر که عملکرد حرارتی نانوسیال Al 2 O 3 را درون یک لوله حرارتی نوسانی بررسی کرده بود، استخراج شد. برای مدل سازی توسط ANN از یک شبکه پرسپترون چندلایه و برای ANFIS از یک مدل فازی سوگنو استفاده شد که هر دو از دقیق ترین و رایج ترین روش های مدل سازی هستند. مقایسه مقادیر هدف با مقادیر پیش بینی شده توسط هر دو مدل بسیار رضایت بخش بود و ضریب همبستگی برای هر دو بیش از 99/0 بدست آمد که نشان دهنده میزان بالای دقت این دو مدل است. در نهایت عملکرد هر دو مدل با هم مقایسه شد که عملکرد هردو بسیار خوب و نزدیک به هم بود، ولی در مجموع ANN نسبت به ANFIS عملکرد بهتری از خود نشان داد.

در این مقاله با استفاده از روش های مبتنی بر یادگیری مقدار بخار آب قابل بارش (PWV) به صورت مکانی-زمانی مدل سازی شده و سپس پیش بینی می شود. از سه مدل شبکه های عصبی مصنوعی (ANNs)، سیستم استنتاج عصبی-فازی سازگار (ANFIS) و مدل رگرسیون بردار پشتیبان (SVR) برای انجام این کار استفاده شده است. برای مقایسه کارایی و دقت این سه مدل، نتایج حاصل با مشاهدات بخار آب قابل بارش حاصل از ایستگاه رادیوسوند (PWV radiosonde() و بخار آب قابل بارش به دست آمده از مدل تجربی ساستامنین (PWV Saastamoinen) نیز مقایسه شده است. مشاهدات 23 ایستگاه GPS مابین روزهای 300 الی 305 (6 روز) از سال 2011 در منطقه شمال غرب ایران برای ارزیابی مدل ها، به کار گرفته شده است. دلیل انتخاب این منطقه و بازه زمانی مورد نظر، در دسترس بودن مجموعه کاملی از مشاهدات ایستگاه های GPS ، رادیوسوند و ایستگاه های هواشناسی است. از 23 ایستگاه مورد نظر، مشاهدات دو ایستگاه KLBR و GGSH به منظور انجام تست نتایج حاصل کنار گذاشته می شود. در مرحله اول، تأخیر تر زنیتی (ZWD) از مشاهدات 21 ایستگاه GPS محاسبه و سپس تبدیل به مقدار PWV می شود. مقادیر PWV حاصل از این مرحله به عنوان خروجی هر سه مدل در نظر گرفته شده است. همچنین چهار پارامتر طول و عرض جغرافیایی ایستگاه، روز مشاهده (DOY) و زمان (min .) به عنوان ورودی های سه مدل هستند. هر سه مدل با استفاده از الگوریتم پس انتشار خطا (BP) آموزش داده شده و کمینه خطای حاصل در محل ایستگاه رادیوسوند تبریز (38/08N وE 46/28) ، به عنوان معیار پایان آموزش در نظر گرفته شده است. پس از مرحله آموزش، مقدار بخار آب قابل بارش در ایستگاه های تست با هر سه مدل محاسبه و سپس با مقدار بخار آب قابل بارش حاصل از GPS (PWVGPS) مقایسه می شوند. میانگین ضریب همبستگی محاسبه شده برای چهار مدل ANN ، ANFIS ، SVR و Saastamoinen در 6 روز مورد مطالعه به ترتیب برابر با 0/85، 0/88، 0/89 و 0/69 است. همچنین، میانگین RMSE برای چهار مدل در 6 روز به ترتیب برابر با 2/17، 1/90، 1/77 و 5/45 میلی متر شده است. نتایج حاصل از این مقاله نشان می دهد که مدل SVR از قابلیت بسیار بالایی در برآورد مقدار بخار آب قابل بارش برخوردار بوده و از نتایج آن می توان در مباحث مرتبط با هواشناسی و پیش بینی بارش استفاده نمود. 

مقدمه: بهره گیری از فناوری اطلاعات و نظریه زندگی الکترونیک می تواند به عنوان راهکاری مناسب برای برون رفت از وضعیت کنونی شهرها و مشکلات آن و یا دست کم تخفیف آن باشد. اعتماد از مسائل عمده ای است که بر روی پذیرش شهر الکترونیک تأثیرگذار است. تمرکز اصلی این پژوهش بر شناسایی عوامل مرتبط بین اعتماد شهروندان و شهر الکترونیک بوده که با بررسی پارامترهای مؤثر بر اعتماد شهروندان باهدف تعیین اینکه چه عواملی می توانند اعتماد شهروندان به خدمات شهر الکترونیک را تحت تأثیر قرار دهند، انجام شد. هم چنین عملکرد دو روش استفاده شده در ارزیابی این شاخصها مورد مقایسه قرار گرفت. روش: روش تحقیق توصیفی- تحلیلی و مبتنی بر مطالعات اسنادی، کتابخانه ای و بررسیهای میدانی و پیمایشی در شهر قیر بود. داده ها و اطلاعات براساس فضاهای موجود شهر مذکور و پیمایش از شهروندان به دست آمده است. در این تحقیق از روش نمونه گیری تصادفی استفاده شده و حجم نمونه بر اساس فرمول کوکران با توجه به جمعیت 18200 نفری شهر، 380 نفر به طور تصادفی تعیین گردید. یافته ها: نتایج آنالیز حساسیت به منظور شناسایی اولویت های اعتماد به شهر الکترونیک نشان داد که پارامترهای اعتماد به شبکه، ویژگی شهروندان، کیفیت شبکه و اعتماد شهروندان به ترتیب از اهمیت بیشتری در برآورد نرخ اعتماد به شهر الکترونیک برخوردارند. به عبارت دیگر به منظور بالا بردن میزان اعتماد شهروندان به شهر الکترونیک پارامتر اعتماد به شبکه از اهمیت نسبتاً بیشتری برخوردار است و می توان با امن سازی بیشتر اینترنت، شبکه های دولتی و خصوصی و فناوری شهر الکترونیک گامی مؤثرتر در جهت افزایش اعتماد شهروندان به شهر الکترونیک برداشت. نتایج حاصل از پژوهش حاضر بیانگر توانایی بالای روشهای عملکرد شبکه عصبی RBF و سیستم عصبی-فازی در برآورد نرخ اعتماد به شهر الکترونیک می باشد که با مقایسه عملکرد دو روش شبکه عصبی RBF و سیستم عصبی-فازی مشاهده گردید که عملکرد سیستم عصبی-فازی به نسبت بهتر بوده و از دقت بیشتری برخوردار است. بحث: پیشنهاد می شود مدیران شهری با توجه به ترتیب اهمیت شاخصهای اعتماد به شهر الکترونیک و با رعایت اولویت، میزان اعتماد به شهر الکترونیک را افزایش داده و پذیرش و استفاده شهروندان را از شهر الکترونیک ارتقا دهند

پدیده ی خشکسالی مختص ناحیه ای خاص نبوده و مناطق مختلف جهان از آن متأثر می باشد، یکی از این مناطق، ایران در جنوب غرب آسیا می باشد که در چند سال اخیر از این پدیده رنج می برد. هدف پژوهش حاضر مدل سازی، تحلیل و پیش بینی خشکسالی در ایران می باشد. برای این کار ابتدا پارامترهای اقلیمی: بارش، دما، ساعات آفتابی، حداقل رطوبت نسبی و سرعت باد در بازه ی زمانی 29 ساله (2018- 1990) در 30 ایستگاه ایران مورد استفاده قرار گرفت. برای مدل سازی، شاخص فازی T.I.B.I ابتدا چهار شاخص (SET, SPI, SEB, MCZI) با استفاده منطق فازی در نرم افزار Matlab فازی سازی شدند و در نهایت برای پیش بینی از مدل شبکه ی عصبی مصنوعی تطبیقی Anfis بهره گرفته شد. یافته های پژوهش نشان داد شاخص فازی نوین T.I.B.I طبقات خشکسالی، چهار شاخص مذکور را با دقت بالا در خود منعکس کرد. از بین 5 پارامتر اقلیمی مورد استفاده در این پژوهش، پارامتر دما و بارش در نوسان شدت خشکسالی بیش ترین تأثیر را داشت. شدت خشکسالی براساس مدل سازی صورت گرفته در مقیاس 6 ماهه بیش تر از 12 ماهه بود، بیش ترین درصد رخداد خشکسالی در ایستگاه بندرعباس با مقدار (30/24) در مقیاس 12 ماهه و کم ترین آن در ایستگاه شهرکرد با مقدار درصد فراوانی خشکسالی (36/0) درصد در مقیاس 6 ماهه اتفاق اف تاده است. پیش بینی خشکسالی ش اخص فازی T.I.B.I بر اساس م دل Anfis ایستگاه های بندرعباس، بوشهر و زاهدان به ترتیب با مقدار شاخص T.I.B.I (62/0، 96/0 و 97/0) در نیمه جنوبی ایران بیش تر در معرض خشکسالی قرار گرفتند. براساس نتایج کلی پژوهش در هر دو مقیاس 6 و 12 ماهه مناطق نیمه جنوبی ایران از شدت بیش تر خشکسالی برخوردار شد که نیازمند مدیریت دقیق و کارآمد در مدیریت منایع آبی در این مناطق می باشد.