مقایسه روش‌های سری زمانی و شبکه عصبی مصنوعی در پیش‌بینی تبخیر-تعرق مرجع (مطالعه موردی: ارومیه)

Authors

  • جواد بهمنش دانشیار گروه مهندسی آب، دانشکده کشاورزی، دانشگاه ارومیه
  • مجتبی منتصری دانشیار گروه مهندسی آب، دانشکده کشاورزی، دانشگاه ارومیه
  • نسرین آزاد طلاتپه دانشجوی کارشناسی ارشد آبیاری و زهکشی، دانشکده کشاورزی، دانشگاه ارومیه
  • وحیدرضا وردی نژاد استادیار گروه مهندسی آب، دانشکده کشاورزی، دانشگاه ارومیه
Abstract:

     تبخیر-تعرق یکیازمؤلفه­هایمهمدرمصرفمنابعآب در بخش کشاورزیمی­باشد. لذا ارائه روشی که پیش­بینی مناسب و دقیقی از میزان تبخیر-تعرق مرجع را بدهد، می­تواند در اخذتصمیم­ بهینهبرایبرنامه­ریزی منابع آب کمککند. دراینتحقیق،روش­های سری زمانی و شبکه­های عصبی مصنوعی درپیش­بینیتبخیر-تعرق مرجع ماهانهدرایستگاهسینوپتیک ارومیهموردمقایسه قرار گرفتند. بدین منظور در گام نخست بهترین مدل سری زمانی از بین مدل­های ARو ARMAو بهترین مدل شبکه عصبی از بین شبکه­های با تابع پایه شعاعی (RBF) و پرسپترون چندلایه (MLP) انتخاب گردید. در گام دوم دو مدل انتخاب شده با یکدیگر مقایسه شدند. در مدل­های شبکه­ عصبی ذکر شده تاخیر­های ماهانه مختلف از تبخیر-تعرق مرجع به عنوان ورودی شبکه انتخاب گردید. در این فرآیند مقادیرتبخیر-تعرق مرجع ماهانه از سال 1350 تا 1389 با استفاده از روش پنمن مونتیث فائو محاسبه شد. داده­های مذکور از سال1350 تا 1384 برای انتخاب بهترین مدل سری زمانی و بهترین ساختار شبکه­ها استفاده و از داده­های 1385 تا 1389 به­منظور مقایسه روش­ها استفاده گردید. نتایج نشان داد که مدل AR(11)در بین سایر مدل­های سری زمانی عملکرد بهتری داشته و مدل RBFدارای خطای کمتری نسبت به مدل MLPبود. مقایسه بهترین مدل سری زمانی (مدل AR(11)) با بهترین مدل شبکه عصبی (مدل RBF) نشان داد که مدل RBFتوانست مقادیر تبخیر-تعرق مرجع را در دوره 1385 تا 1389 با خطای کمتری پیش­بینی کند. مقدار جذر میانگین مربعات خطا در دو مدل AR(11)و RBFبه ترتیب 85/1 و 999/0 میلی­متر در ماه به دست آمد.

Upgrade to premium to download articles

Sign up to access the full text

Already have an account?login

similar resources

مقایسه روش های سری زمانی و شبکه عصبی مصنوعی در پیش بینی تبخیر-تعرق مرجع (مطالعه موردی: ارومیه)

تبخیر-تعرق یکیازمؤلفه­هایمهمدرمصرفمنابعآب در بخش کشاورزیمی­باشد. لذا ارائه روشی که پیش­بینی مناسب و دقیقی از میزان تبخیر-تعرق مرجع را بدهد، می­تواند در اخذتصمیم­ بهینهبرایبرنامه­ریزی منابع آب کمککند. دراینتحقیق،روش­های سری زمانی و شبکه­های عصبی مصنوعی درپیش­بینیتبخیر-تعرق مرجع ماهانهدرایستگاهسینوپتیک ارومیهموردمقایسه قرار گرفتند. بدین منظور در گام نخست بهترین مدل سری زمانی از بین مدل­های arو ar...

full text

مقایسه کارآیی مدلهای سری زمانی خطی و غیرخطی در شبیهسازی و پیش‌بینی تبخیر- تعرق مرجع

 برآورد دقیق میزان تبخیر- تعرق مرجع (ET0) نقش بسیار مهمی در مدیریت منابع آب و بهینه­سازی مصرف آب کشاورزی دارد. یکی از روش­های برآورد ET0 استفاده از مدل­های سری زمانی است. در این تحقیق، دقت و کارائی مدل خطی آرما (ARMA) و غیرخطی بیلینییر (BL) در شبیه­سازی و پیش­بینی ET0 در سه ایستگاه سینوپتیک واقع در شمال غرب کشور مورد مقایسه قرار گرفت. بدین­منظور، مقادیر ماهانه ET0از سال 1990 تا 2014 با استفاده ...

full text

تخمین تبخیر و تعرق مرجع روزانه به کمک مدل درخت تصمیمM5 و شبکه عصبی مصنوعی

تعیین دقیق آب مصرفی گیاه باعث افزایش راندمان آبیاری و بهبود مدیریت آب در مزرعه را دنبال دارد. تبخیر و تعرق یک از اجزای اصلی چرخه­ی هیدرولوژی محسوب می­شود و برآورد دقیق آن در مدیریت منابع آب نقش اساسی دارد. در این تحقیق به ارزیابی مدل درختی  M5  و مدل شبکه­ی عصبی تحت شرایط مختلف حداقل داده­ی اقلیمی در یک منطقه­ی خشک سرد پرداخته شد. داده­های مورد استفاده در این تحقیق شامل دمای حداقل و حداکثر، رطو...

full text

ارزیابی کارآیی دو نرم‌افزار شبکه عصبی مصنوعی در پیش‌بینی تبخیر- تعرق گیاه مرجع

در این تحقیق، کارائی دو نرم­افزارشبکه عصبی مصنوعی (ANN) در برآورد تبخیر-تعرق گیاه مرجع (ET0) بررسی گردید. بدین منظور از داده­های 2 سال لایسیمتری به عنوان ارقام شاهد برای ارزیابی استفاده شده و دو نرم­افزار مرسوم NS وNW  با قابلیت به­کارگیری آلگوریتم­های متفاوت، به­کار رفت. جهت ارزیابی اجرای دو نرم­افزار برای آرایش­ها، قواعد یادگیری و توابع محرک مختلف، از شاخص­های آماری جذر میانگین مربعات خطا (RM...

full text

My Resources

Save resource for easier access later

Save to my library Already added to my library

{@ msg_add @}


Journal title

volume 38  issue 4

pages  75- 85

publication date 2016-01-21

By following a journal you will be notified via email when a new issue of this journal is published.

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023