بهبود برآورد تبخیر-تعرق پتانسیل با استفاده از ضریب اصلاحی به کمک مدل درخت تصمیم M۵
Publish place: Irrigation and Drainage، Vol: 8، Issue: 1
Publish Year: 1393
Type: Journal paper
Language: Persian
View: 292
This Paper With 9 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
Export:
Document National Code:
JR_IDJ-8-1_006
Index date: 15 May 2021
بهبود برآورد تبخیر-تعرق پتانسیل با استفاده از ضریب اصلاحی به کمک مدل درخت تصمیم M۵ abstract
تبخیر و تعرق از اساسیترین اجزای چرخهی هیدرولوژی است که تعیین صحیح آن در علوم آب از قبیل مطالعات توازن هیدرولوژیکی، طراحی و مدیریت سیستمهای آبیاری از اهمیت بالایی برخوردار است. پژوهش حاضر امکان بهبود دقت برآورد تبخیر-تعرق به روش هارگریوز-سامانی را بر اساس ضریب اصلاحی k بررسی می کند. این ضریب که نسبت برآورد تبخیر-تعرق با دو روش فائو پنمن-مانتیت (F-P-M) و هارگریوز-سامانی می باشد بر اساس متغیرهای هواشناسی مانند دمای هوا، رطوبت نسبی و دمای نقطه شبنم با استفاده از مدل درختی M۵ و شبکه عصبی مصنوعی در سه ایستگاه هواشناسی آستارا، بندر انزلی و رشت برآورد گردید. برای انجام این کار، یک دوره آماری ۳۰ ساله (۱۳۶۰-۱۳۹۰) در نظر گرفته شد و داده ها برای هر ایستگاه بر اساس نسبت ۸۰ به ۲۰ درصد به داده های آموزش و آزمون تقسیم بندی شدند. سپس مقدار k محاسبه شده در تبخیر-تعرق برآورد شده به روش هارگریوز سامانی ضرب شد. نتایج نشان دادکه مدل درختی M۵ نسبت به شبکه عصبی مقدار k را بهتر برآورد می کند و با این روش میانگین اختلاف بین مقدار برآورد شده به روش هارگریوز-سامانی و پنمن-مانتیث به ترتیب برای ایستگاه های آستارا، بندرانزلی و رشت از ۴۱/۰، ۵۵/۰ و ۷/۰ به ۳۱/۰، ۳۸/۰ و ۲۸/۰ کاهش می یابد.
بهبود برآورد تبخیر-تعرق پتانسیل با استفاده از ضریب اصلاحی به کمک مدل درخت تصمیم M۵ Keywords:
بهبود برآورد تبخیر-تعرق پتانسیل با استفاده از ضریب اصلاحی به کمک مدل درخت تصمیم M۵ authors
حسین شریفان
دانشیار گروه مهندسی آب، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران
خلیل قربانی
استادیار گروه مهندسی آب، دانشگاه علوم کشاورزی و منابع طبیعی، گرگان، ایران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :