مقایسه عملکرد مدل های رگرسیون فازی با روش پنمن-مانتیث در برآورد تبخیر و تعرق ماهانه گیاه مرجع در دشت نیشابور
Publish Year: 1401
نوع سند: مقاله ژورنالی
زبان: Persian
View: 226
This Paper With 13 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JEWE-8-1_018
تاریخ نمایه سازی: 1 مرداد 1401
Abstract:
در پژوهش حاضر از رهیافتهای رگرسیون فازی به منظور برآورد مقادیر تبخیر-تعرق گیاه مرجع در دشت نیشابور بهره گرفته شد. دادهها شامل دمای حداکثر (Tmax)، دمای حداقل (Tmin)، دمای متوسط هوا (Tmean)، رطوبت نسبی (RH)، ساعات آفتابی (Rs) و سرعت باد در m ۲ از سطح زمین (U۲) بود. دادههای مورداستفاده از ایستگاه هواشناسی سینوپتیک نیشابور اخذ شده و برای هریک از مدلهای رگرسیون امکانی و کمترین مربعات فازی، ۳ سناریو مختلف جهت برآورد تبخیر و تعرق گیاه مرجع طراحی شد. برای ارزیابی عملکرد مدلهای رگرسیون فازی در مقایسه با روش استاندارد پنمن-مانتیث از ضریب تبیین، میانگین مربعات خطا و خطای مطلق میانگین استفاده شد. نتایج نشان داد مدل رگرسیون امکانی فازی در ماه دی و مدل رگرسیون کمترین مربعات فازی در ماه مهر با ضریب تبیین بهترتیب ۹۰۳/۰ و ۵۰۲/۰ بیشترین و کم ترین دقت را داشت. در بین مدلهای پیشنهادی جدید، اگرچه مدل رگرسیون امکانی فازی تحت سناریو شماره ۱ بالاترین دقت را داشته، اما در هر دو مدل رگرسیون فازی، سناریو ۲ علیرغم دارا بودن پارامترهای ورودی کمتر (Tmin، RH و Rs)، دقت قابل مقایسه ای با سایر سناریوها دارد و لذا میتوان استفاده از آن را در شرایط کمبود داده به عنوان رویکرد بهینه در تعیین ETo برای برنامه ریزی آبیاری و مدیریت منابع آب پیشنهاد نمود.
Keywords:
Authors
سپیده زراعتی نیشابوری
دانش آموخته کارشناسی ارشد، گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه بیرجند، بیرجند، ایران
محسن پوررضا بیلندی
دانشیار، گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه بیرجند، بیرجند، ایران
عباس خاشعی سیوکی
استاد، گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه بیرجند، بیرجند، ایران
علی شهیدی
دانشیار، گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه بیرجند، بیرجند، 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 :