مقایسۀ مدل رگرسیون درختی، شبکۀ عصبی مصنوعی و هارگریوز سامانی در برآورد تبخیرتعرق مرجع مناطق خشک

Authors

  • علی رحیمی خوب استاد گروه مهندسی آبیاری و زهکشی پردیس ابوریحان دانشگاه تهران
  • میترا بخشوده کارشناس ارشد گروه مهندسی آبیاری و زهکشی پردیس ابوریحان دانشگاه تهران
Abstract:

هدف از این تحقیق، ارزیابی سه مدل شبکۀ عصبی مصنوعی، رگرسیون درختی و مدل هارگریوز سامانی برای برآورد تبخیرتعرق گیاه مرجع بود. بدین منظور از اطلاعات هواشناسی استان­های سیستان و بلوچستان، کرمان، یزد و خراسان جنوبی در دورۀ آماری 1998-2008 استفاده شد. با توجه به تأثیر سرعت باد بر میزان تبخیرتعرق منطقه، برآورد تبخیرتعرق براساس تغییرات سرعت باد در قالب سه گروه شامل ایستگاه­هایی با سرعت باد کمتر از 48/2 متر بر ثانیه در گروه U1، ایستگاه‌هایی با سرعت باد بین 48/2 و 67/3 متر بر ثانیه در گروه U2 و ایستگاه‌هایی با سرعت باد بیشتر از 67/3 متر بر ثانیه در گروهU3 صورت گرفت. نتایج نشان داد هر سه مدل شبکۀ عصبی مصنوعی، رگرسیون درختی و هارگریوز سامانی در گروه U1بهترین برآورد را داشتند. نتایج آماری میانگین مجذور مربعات خطای مدل شبکۀ عصبی مصنوعی 41/1 میلی‌متر در روز با ضریب تبیین 84/0، مدل رگرسیون درختی 46/1 میلی‌متر در روز با ضریب تبیین 83/0 و هارگریوز سامانی کالیبره‌شده 02/2 میلی‌متر در روز با ضریب تبیین 69/0 به‌دست آمد که بیانگر برتری دو روش شبکۀ عصبی و رگرسیون درختی بود.

Upgrade to premium to download articles

Sign up to access the full text

Already have an account?login

similar resources

کاربرد حالت‌های هارگریوز- سامانی و جنسن- هیز در ارزیابی تبخیر تعرق گیاه مرجع یونجه در اصفهان

برآورد دقیق تبخیر– تعرق یکی از فاکتورهای اساسی در طراحی سیستم‌های آبیاری و ساختمان‌های ذخیره و انتقال آب است. روش‌های متعددی برای محاسبه تبخیر– تعرق گیاه مرجع ارایه شده است. بسیاری از روش‌ها به داده‌های متعدد هواشناسی نیازمند می‌باشد اما برخی از این داده‌ها در دسترس نیستند و به فرض دسترسی، از دقت کافی برخوردار نیستند. بنابر این روش‌های مبتنی بر حداقل داده‌های اقلیمی گسترش یافتند که روش‌های هارگ...

full text

مقایسۀ مدل شبکۀ عصبی مصنوعی با فرایند تحلیل سلسله‌مراتبی در ارزیابی خطر زمین‌لغزش

زمین‌لغزش یکی از مخاطرات طبیعی در مناطق کوهستانی به‌شمار می‌رود که هرساله به خسارات زیادی منجر می‌شود. حوضۀ دوآب الشتر با داشتن چهره‌ای کوهستانی و مرتفع و شرایط طبیعی مختلف دارای استعداد بالقوۀ زمین‌لغزش است. هدف این تحقیق مقایسۀ مدل شبکۀ عصبی مصنوعی با فرایند تحلیل سلسله‌مراتبی، به‌منظور ارزیابی خطر زمین‌لغزش در حوضۀ دوآب الشتر است. بدین منظور ابتدا پارامترهای مؤثر در وقوع زمین‌لغزش استخراج و ...

full text

بهبود دقت روش هارگریوز در برآورد تبخیر- تعرق مرجع به کمک ضریب اصلاحی با مدل شبکه عصبی مصنوعی و درخت تصمیم M5

تبخیر- تعرق یکی از مهم ترین اجزای چرخه هیدرولوژی است که مدلسازی آن در مدیریت منابع آب نقش مهمی دارد. در تحقیق حاضر امکان بهبود دقت برآورد تبخیر- تعرق روش هارگریوز به کمک ضریب اصلاحیK با استفاده از مدل شبکه عصبی مصنوعی و مدل درخت تصمیم M5 مورد بررسی قرار گرفت. این ضریب برابر با نسبت تبخیر- تعرق مدل پنمن مونتیث فائو به روش هارگریوز می باشد. داده های مورد استفاده این تحقیق عبارت از دمای حداکثر و ح...

full text

مقایسۀ عملکرد مدل درختی M5 با مدل‌های شبکۀ عصبی مصنوعی و ماشین بردار پشتیبان در استخراج منحنی تداوم جریان مطالعۀ موردی: ایستگاه خزانگاه رودخانۀ ارس

یکیاز مهم­ترینو پرکاربردترینعلائمپاسخهیدرولوژیکحوزه، منحنیتداومجریان استو درکاربرد‌هایهیدرولوژیکیبی‌شماری برای آنالیز فراوانیجریان­هایکمینهو سیلابمورد استفادهقرار می­گیرد. برای نمایش محدودۀ کامل دبی رودخانه، از جریان‌های حداقل تا حداکثر سیلاب و منحنی تداوم جریان  (FDC)استفاده می‌شود؛ بنابراین استخراج دقیق این منحنی‌ها با حداقل خطا حائز اهمیت فراوانی است. در این مطالعه کارایی مدل درختی M5 در است...

full text

My Resources

Save resource for easier access later

Save to my library Already added to my library

{@ msg_add @}


Journal title

volume 4  issue 2

pages  149- 160

publication date 2014-09-23

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