پیش بینی تبخیر از تشت با استفاده از مدل های محاسبات نرم در اقلیم فراخشک (مطالعه موردی: دشت سیستان، سیستان و بلوچستان)

Publish Year: 1401
نوع سند: مقاله ژورنالی
زبان: Persian
View: 82

This Paper With 12 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

JR_DEEJ-11-36_006

تاریخ نمایه سازی: 19 اسفند 1402

Abstract:

پیش بینی بزرگی و الگوی تبخیر به ویژه برای پهنه هایی با اقلیم خشک، نیمه خشک و فراخشک همانند دشت سیستان ضروری است. ازاین رو در این پژوهش برای پیش بینی تبخیر تشت دشت سیستان از هشت مدل محاسبات نرم استفاده شد. بدین منظور، از پارامترهای متفاوت اقلیمی در دو ایستگاه سینوپتیک زابل و زهک و ایستگاه تبخیرسنجی چاه نیمه ها در پیکره هشت سناریوی ترکیبی برای ورودی مدل ها استفاده شد. به منظور ارزیابی مدل های مورد استفاده در این پژوهش از معیارهای ارزیابی ضریب تعیین، ریشه میانگین مربعات خطا، میانگین خطای مطلق و همچنین نمودار تیلور استفاده شد. یافته ها نشان داد که مدل با ورودی فقط دمای کمینه ماهانه عملکردی همانند مدل با هشت ورودی پارامتر هواشناسی دارد. همچنین یافته ها نشان داد که در بین هشت مدل، مدل جنگل تصادفی در پنج سناریو (سناریو ۲، ۵، ۶،۷ و ۸ با مقادیر R۲ به ترتیب برابر ۹۷/۰، ۹۸/۰، ۹۸/۰، ۹۷/۰ و ۹۸/۰) از هشت سناریو به عنوان بهترین مدل عمل کرده است. ازاین رو مدل جنگل تصادفی و مدل درختی به عنوان بهترین مدل محاسبات نرم به منظور شبیه سازی و برآورد تبخیر تشت دشت سیستان معرفی شدند.

Authors

مجتبی محمدی

گروه مدیریت و کنترل بیابان، دانشکده منابع طبیعی، مجتمع آموزش عالی سراوان

معصومه فروزان فرد

مرتع داری، مجتمع آموزش عالی سراوان

حمید غلامی

گروه منابع طبیعی، دانشکده کشاورزی و منابع طبیعی، دانشگاه هرمزگان، بندرعباس

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 :
  • Bazzi, H., Ebrahimi, H. and Aminnejad, B., ۲۰۲۱. A comprehensive ...
  • Gramacy, R.B., ۲۰۱۹. Package ‘monomvn’. Package ‘monomvm’ version ۱.۹-۱۳. Retrieved ...
  • Kaya, Y. Z., Zelenakova, M., Üneş, F., Demirci, M., Hlavata, ...
  • Karatzoglou, A., Smola, A., Hornik, K. and Karatzoglou, M. A. ...
  • Liaw, A. and Wiener, M., ۲۰۰۲. Classification and regression by ...
  • Majhi, B., Naidu, D., Mishra, A.P. and Satapathy, S.C., ۲۰۱۹. ...
  • ۱۰۰۷/s۰۰۵۲۱-۰۱۹-۰۴۱۲۷-۷Mattar, Mohamed A., ۲۰۱۸. "Using gene expression programming in monthly ...
  • Mirhashemi, S., Panahi, M. and Zareei, L., ۲۰۲۰. Evaluation of ...
  • Mohammad Ebrahim, M., Mohammadrezapour, O, and Akbarzadeh seghaleh, H., ۲۰۱۷. ...
  • Panahi, M., Gayen, A., Pourghasemi, H. R., Rezaie, F., and ...
  • Qasem, S.N., Samadianfard, S., Kheshtgar, S., Jarhan, S., Kisi, O., ...
  • Sanikhani, H., Kisi, O., Maroufpoor, E. and Yaseen, Z.M., ۲۰۱۸. ...
  • Sattari, M. T. and Esmailzadeh, B. (۲۰۱۷). Performance Assessment of ...
  • Sayyahi, F., Farzin, S., and Karami, H. ۲۰۲۱. Forecasting daily ...
  • Siasar, H. and Honar, T., ۲۰۲۰. Comparison of Performance of ...
  • Taylor, K. E., ۲۰۰۱. Summarizing multiple aspects of model performance ...
  • Zahiri, J. and Nezaratian, H., ۲۰۲۰. Estimation of transverse mixing ...
  • نمایش کامل مراجع