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

نویسندگان

  • 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
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.

Download for Free

Sign up for free to access the full text

اگر عضو سایت هستید لطفا وارد حساب کاربری خود شوید

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 کامل

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 ...

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 کامل

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...

متن کامل

منابع 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