مقایسه روشهای سری زمانی و شبکه عصبی مصنوعی در پیشبینی تبخیر-تعرق مرجع (مطالعه موردی: ارومیه)
نویسندگان
چکیده مقاله:
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.
منابع مشابه
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...
متن کاملمقایسه 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 ...
متن کاملارزیابی شبکه عصبی مصنوعی و مدلهای فیزیکی تجربی تخمین تبخیر- تعرق گیاه مرجع در آب‌وهوای نیمه‌خشک
متن کامل
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...
متن کاملارزیابی 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...
متن کاملمنابع من
با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید
ذخیره در منابع من قبلا به منابع من ذحیره شده{@ msg_add @}
عنوان ژورنال
دوره 38 شماره 4
صفحات 75- 85
تاریخ انتشار 2016-01-21
با دنبال کردن یک ژورنال هنگامی که شماره جدید این ژورنال منتشر می شود به شما از طریق ایمیل اطلاع داده می شود.
میزبانی شده توسط پلتفرم ابری doprax.com
copyright © 2015-2023