تهیه مدل ANN در تخمین فرآیند تبخیر و تعرق مرجع بکمک داده های تشتک تبخیر

Publish Year: 1385
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 1,422

This Paper With 8 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

این Paper در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

WRM02_042

تاریخ نمایه سازی: 2 مرداد 1385

Abstract:

محدودیت منابع آب از مهمترین عواملی است که توسعه کشاورزی را در مناطق خشک و نیمه خشک تحت تاثیر قرار می دهد. از طرفی استفاده بهینه از منابع موجود خود مستلزم محاسبه درست میزان آب مصرفی و نظارت دقیق بر چگونگی بیلان آب در حوزه های مورد مطالعه می باشد. از این رو برآورد صحیح میزان تبخیر و تعرق به عنوان یکی از ارکان اساسی در برنامه ریزی و مدیریت منابع آب از اهمیت و درجه اثر گذاری بالایی برخوردار است. عمده ترین مشکل در این زمینه کثرت اطلاعات مورد نیاز در روشهایمحاسباتی دقیق چون فائو پنمن مانتیس، و فقدان این اطلاعات است که ضرورت استفاده از روشهای دیگر را سبب می شود . استفاده از داده های تشتک تبخیر بدلیل کثرت آن در مقایسه با ایستگاه های سینوپتیک می تواند یکی از روشهای برآورد تبخیر و تعرق باشد که دخالت ضریب Kp از دقت برآورد مدل کاسته است. بگونه ای که بر اساس مطالعات انجام شده در میان 20 روش موجود، این روش جایگاه آخر را بخود اختصاص میدهد. پژوهش حاضر می کوشد تا ضمن مدل نمودن روش تشتک تبخیر توسط شبکه های عصبی مصنوعی، قابلیت این مدل ها را در استخراج ضرایب Kp مورد بررسی قرار داده و منجر به ارائه راهکار مطلوب تری در حوزه های با آمار ناکافی گردد. مدل های مورد استفاده در این تحقیق از نوع پرسپترون چند لایه با قانون یادگیری پس از انتشار خطا بوده که بر روی آمار روزانه ایستگاه سینوپتیک هواشناسی طی سالهای 1990 تا 2000 میلادی اعمال شده است. پس از طراحی شبکه های مورد نظر، نتایج بدست آمده از هر شبکه به لحاظ شاخصهای آماری RMSE, MBE, MAE, R2, b, SEE, SE با نتایج بدست آمده از روشهای فائو پنمن مانتیس ، تشتک تبخیر، بلانی کریدل ، هارگریوز سامانی و جنسن هیز اصفلاح شده مقایسه گردید. در گام دیگر از شبکه عصبی مصنوعی جهت تعیین ضریب Kp استفاده، و خروج مدل با ضرایب استخراج شده از جداول پیشنهادی فائو مقایسه شد. بر اساس نتایج بدست آمده ، عملکرد بسیار عالی شبکه های عصبی مصنوعی در مقایسه با روش تشتک تبخیر به روشنی می تواند استفاده از ضریب تشتک را در شرایطی که داده های موجود جهت طراحی شبکه ها کفایت می کنند، منسوخ سازد. چرا که نتایج حاصله از مدل ها به لحاظ شاخص های در نظر گرفته شده، به مراتب بهتر از زمانی بود که ازجداول پیشنهادی سازمان فائو استفاده شد.

Keywords:

شبکه عصبی مصنوعی , تبخیر و تعرق مرجع , تشتک تبخیر Kp

Authors

عارف بهمنی

کارشناس ارشد آبیاری و زهکشی، اداره کل منابع طبیعی استان کردستان

مهدی کوچک زاده

استادیار گروه آبیاری و زهکشی ، دانشگاه تربیت مدرس

پرویز فتحی

استادیار گروه آبیاری دانشکده کشاورزی دانشگاه کردستان

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 :
  • [] Sudheer, K. P., Gosain, A. K. Ramasastri, K. S. ...
  • Kumar, M., Raghuwanshi N. S. Singh, R. Wallender, W. W. ...
  • Trajkovic, S., Todorovic, B and Stankovic, M. (2003). Forecasting of ...
  • Coulibaly, P., Ancti, F. and Bobee. (2000). Daily reservoir inflow ...
  • Salehi, F., Lacroix, R., and wade, K. M. 1998). Effects ...
  • Sajikumar, N., and Thandaveswara, B. S. (1999). A non - ...
  • نمایش کامل مراجع