افزایش دقت برآورد داده های مفقود بارش روزانه، بویژه در حوضه های بزرگ آبخیز با شبکه باران سنجی غیر متراکم، یکی از چالشهای آبشناسها می باشد. در این مطالعه، شش شبیه شبکه عصبی مصنوعی به نامهای MLP، TLFN، RBF، RNN، TDRNN، CFNN با روشهای مختلف اعتبارسنجی برای تکمیل داده های مفقود بارش روزانه در مقایسه با روشهای زمین آمار کریجینگ و کوکریجینگ با شبیه های مختلف مورد بررسی قرار گرفته اند. برای ارزیابی دقت شبیه های مختلف در تکمیل داده های مفقود، از داده های بارش 15 ایستگاه بارانسنجی موجود در حوضه رود کرخه استفاده شده است. نتایج نشان می دهند که شبیه های MLP، TLFN، CFNN و کوکریجینگ می توانند دقیقترین برآورد را از مقادیر گم شده ارائه دهند، هر چند به نظر می رسد که شبیه MLP در برآورد داده های مفقود بارش موثرتر از بقیه است. همچنین، بر اساس نتایج به دست آمده، شبیه RNN و TDRNN در مورد داده های بارش تناسب کمتری داشته، و ضعیفترین نتیجه مربوط به شبیه RBF است. روش کریجینگ از روشهای برتر عملکرد ضعیفتری داشته، اما از شبیه های RNN و TDRNNو RBF بهتر است.

در این پژوهش، از 9 الگوریتم یادگیری جمعی و ماشینی شامل الگوریتم های Xgboost، Catboost، Extra Trees، Random Forest، M5، MLP، K-NN، Decision Tree وSVR برای تخمین داده های مفقود جریان روزانه رودخانه کرخه استفاده شد. جهت برآورد داده های مفقود ایستگاه عبدالخان و پای پل، داده های جریان روزانه ایستگاه هیدرومتری حمیدیه به عنوان ایستگاه همسایه در دوره آماری 40 ساله مورد بررسی قرار گرفت. بهینه سازی فراپارامترهای الگوریتم های مذکور، به روش Optuna انجام شد. مقایسه عملکرد مدل ها نشان داد که الگوریتم Xgboost با یادگیری روابط غیرخطی پیچیده،دقت بیشتری در تخمین داده های مفقود دارد. الگوریتم مذکور، در ایستگاه های عبدالخان و پای پل، با داشتن بیشترین مقدار ضریب تعیین (R2) به ترتیب برابر با 95/0 و 78/0 و کمترین مقدار میانگین خطای مطلق (MAE) بترتیب برابر با 76/18 و 45/36 بهترین عملکرد را دارد. همچنین، کمترین مقدار ریشه میانگین مربع خطاها (RMSE) برابر با 75/43 و 87/108 به دست آمد.علاوه براین، الگوریتم Xgboost کمترین مقدار مجذور میانگین مربعات خطای نسبی (RRMSE) برابر با 20/0 و 46/0 ثبت کرد.بنابراین، الگوریتم Xgboost بیشترین کارایی را در تخمین داده های مفقود نسبت به بقیه مدل ها در هر دو ایستگاه دارد. همچنین، می تواند بر چالش های مکانی و داده های محدود غلبه کند. نتایج نمودار تیلور نیز حاکی از برتری مدل Xgboost در هر دو ایستگاه مذکور است. مدل Catboost نیز در ایستگاه های عبدالخان و پای پل به ترتیب 11% و 5% دقت کمتر از مدل Xgboost داشت و دومین جایگاه را میان مدل های بررسی شده کسب کرد .نتایج این پژوهش می تواند جهت تخمین جریان رودخانه در سایر ایستگاه های فاقد آمار مفید واقع شود.

بارش و دما از مهم ترین متغیرهای هوا و اقلیم شناسی هستند. طول دوره آماری اهمیت بسزایی در دقت تحلیل این دو متغیر دارد. حجم نمونه کمتر از 100 سال نمی تواند نوسانات دراز مدت را به خوبی منعکس کند. طولانی ترین آمار مربوط به دما و بارش ماهانه مشهد نزدیک به 125 سال (از حدود 1893 الی 2017) است. متاسفانه این آمار مفقودی دارد. ترمیم داده های مفقود و افزایش دقت برآورد آن ها هدف این پژوهش است. ایستگاه هایی از کشورهای مجاور به عنوان ایستگاه های مبنا انتخاب شدند. ابتدا داده های مفقود با برازش ده الگوی رگرسیونی چندگانه برای بارش ماهانه (با ضرایب تعیین 63/0 تا 81/0) و شش الگو برای دمای ماهانه (986/0تا 993/0) ترمیم شدند. سپس برای کاهش خطاها، پارامترهای الگوهای رگرسیونی با روش های GA و ACO بهینه شدند. افزون بر این دو روش ANN و SVR نیز به منظور الگوسازی این داده ها نیز به کار گرفته شدند. نتایج نشان داد GA و ACO دقت برآورد داده های مفقود بارش را نسبت به روش های رگرسیونی فوق به طور چشمگیری افزایش می دهد. کمترین RMSE بین تمام الگوهای رگرسیونی بارش 79/9 میلی متر است. این معیار با روش GA به 560/2 میلی متر و با ACO به 559/2 کاهش می بابد. کمترین RMSE بین الگوهای رگرسیونی دما 986/0 میلی متر است. این معیار با روش ANN به 726/0 میلی متر و با SVR نیز به 551/0 کاهش می بابد. مقایسه ترمیم دما و بارش نشان می دهد که روش های تکاملی برای بارش و روش های یادگیری ماشین برای دما عملکرد بهتری دارند.

یکی از آثار مفقود اهل سنت در زمینه زندگانی ائمه - که منابع شیعی از آن استفاده کرده اند - کتاب الخصائص العلویه نطنزی، دانشمند سنی قرن ششم هجری است. این کتاب هرچند اینک باقی نمانده، اما معاصران نطنزی، مانند ابن شهر آشوب، از آن بهره برده اند. معرفی این نویسنده کمتر شناخته شده و بررسی جایگاه نوشته وی در منابع بعدی و بیان دیدگاه های نویسنده آن که نزدیک به دیدگاه های شیعی است - در این نوشته پی گیری شده است.

لطفا برای مشاهده چکیده به متن کامل (PDF) مراجعه فرمایید.

روش های اندکی به امکان سنجی استفاده از برونداد مدل های پیش بینی عددی در تخمین مقادیر از دست رفته تصاویر سنجش ازدور پرداخته اند. بدین منظور در تحقیق حاضر علاوه بر ارزیابی الگوریتم SPA در بازسازی تصاویر، امکان استفاده از برونداد مدل پیش بینی عددی MM5 در تخمین مقادیر مفقود تصاویر سنجش ازدور بررسی شد. این مطالعه با استفاده از سری زمانی تولیدات LST مودیس در سال های 2000 تا 2010 میلادی و برای منطقه شمال شرق ایران انجام شده است. نتایج شبیه سازی ها بر اساس شاخص های اعتبارسنجی RMSE، AD و R2 با یکدیگر مقایسه شدند. ارزیابی های کمی نشان دادند که روش SPA با مقدار میانگین خطای 48/1 درجه سلسیوس، 95/1= RMSE و 79/0=R2 دقت مناسب و عملکرد خوبی در تخمین مقادیر مفقود دارد. اعتبار سنجی و مقایسه الگوریتم ها در حالت پایه (آزمون 1) و حالت استفاده از برو نداد مدل MM5 (آزمون 2) نشان دادند که در صورت نبود تصاویر کمکی مناسب سنجش ازدور می توان از خروجی مدل MM5 در الگوریتم های هیبرید و بازسازی تصاویر استفاده نمود. ارزیابی بصری تصاویر بازسازی شده نشان داد که اجرای الگوریتم SPA برای هر دو آزمون، در بافت تصاویر مورد مطالعه الگوی مکانی مصنوعی ایجاد نکرد و روند تغییرات مکانی LST حفظ شد.

موضع حقوقدانان و فقها در خصوص امور غیر مالی غایب مفقود الاثر نظیر اموری همچون عده وفات، نفقه و نکاح یکی از مسائل در خور تاملی است که خود موجب تشتت آرا در خصوص زمان شروع عده و نحوه نگاهداشتن و اثبات آن ایجاد نموده است. از سوی دیگر با پیشرفت تکنولوژی هایی همچون موبایل و راهکارهای جستجوی نوین اثبات مرگ فرضی، ترک خانوادگی و یا مرگ حقیقی غایب مفقود الاثر بسیار آسان گردیده است. حال ابهامی که وجود دارد این است که ماهیت عده غایب مفقود الاثر چیست و موضع فقها و قانونگذار در خصوص مدت، شروع و پایان آن چیست؟ از سوی دیگرشیوه های اثبات موت غایب مفقود الاثر برای زوجه و تاثیر آن بر عده وی چگونه است؟ با توجه به این ابهامات در این نوشتار در پی آنیم که با بررسی تحلیل توصیفی به بیان پاسخ این سوالت بپردازیم ودر پایان چنین نتیجه گرفتیم که با توجه به اینکه ماهیت عده غایب مفقود الاثر همچون طلاق رجعی است، پس مدت زمان آن چهار سال در نظر گرفته می شود و این مدت از زمان اغاز تفحص واعلام توسط حاکم تعیین می شود. از سوی دیگر همانند طلاق رجعی چهار دسته از زنان فاقد عده هستند که در عده وفات غایب مفقود الاثر نیز محقق است.

مقدمه: یکی از مهم ترین چالش های مراقبت و درمان بیماران مبتلا به HIV/AIDS تشخیص به هنگام عوامل پیشگویی کننده مرگ و میر می باشد. مدل رگرسیونی شیوه مناسبی برای ارزیابی عوامل خطر مرتبط با بیماری است. اگرچه وجود داده های مفقود شده ساختن مدل را دشوار می کند. هدف این مقاله ایجاد مدل های تشخیصی برای پیش بینی مرگ و میر در بیماران HIV/AIDS است. مدل را پس از حذف داده های مفقود شده ایجاد کرده (C-C model) و سپس از شیوه استنادسازی (MICE technique) استفاده کردیم.مواد و روش ها: این مطالعه بر روی 1460 شخص آلوده به HIV که در طی سال های 1383 الی 1388 به مرکز مشاوره بیماری های رفتاری دانشگاه علوم پزشکی شیراز مراجعه کرده بودند انجام شد. از 15 متغیر که به عنوان عامل خطر مطرح بودند، تنها متغیر هایی که در آنالیز تک متغیره دارای P-value کم تر از %25 بودند برای مدل آنالیز چندگانه انتخاب شدند. در مدل C-C بیمارانی که حتی دارای یک مشاهده مفقود شده بوده را حذف کردیم. در مرحله بعدی از مدل MICE استفاده و هر مقدار مفقود شده را به وسیله 10 مقدار استناد سازی شده جایگزین کرده و چندین داده مرجع استناد شده را تولید کردیم. در هر دو مدل از شیوه حذف رو به عقب استفاده شد.یافته ها: در آنالیز با شیوه C-C حجم نمونه به 475 کاهش یافته و تنها P.V معناداری را برای سه متغیر پیش گویی کننده (با و بدون علامت ایدز، متادون و تاریخچه زندان) یافتیم. در مدل MICE 5 متغیر دیگر نیز معنادار شدند.نتیجه گیری: داده های مفقود شده مشکل بسیاری از اطلاعات مراکز بهداشتی و درمانی است. در آنالیز با مدل C-C ما داده های مفقود شده رانادیده گرفتیم که این مساله منجر به از دست رفتن توان آماری برای برخی متغیرها شده، در حالی که استناد سازی با شیوه هایی مانند MICE برخی از متغیرهای دیگر را نیز به سطح معناداری رساند. ما به نتیجه رسیدیم که مدل MICE تکنیکی بسیار قوی بوده و آن را برای داده های مفقود شده توصیه می نماییم.