تخمین تبخیر و تعرق پتانسیل گیاه مرجع (ET0) با استفاده از شبکه عصبی - فازی (ANFIS)
Publish Year: 1386
Type: Conference paper
Language: Persian
View: 1,990
This Paper With 8 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:
ABYARI09_056
Index date: 13 October 2007
تخمین تبخیر و تعرق پتانسیل گیاه مرجع (ET0) با استفاده از شبکه عصبی - فازی (ANFIS) abstract
تبخیر و تعرق گیاه یکی از اجزای اصلی چرخه هیدرولوژیکیبوده و تخمینن دقیق آن اهمیت بسیار زیادی در طراحی سیستمهای آبیاری، طراحی و مدیریت شبکه های آبیاری ، برنامه ریزیهای منابع آب و مدیریت مصرف آب در مزرعه دارد . به دلیل تاثیر متقابل پارامترهای هواشناسی در محاسبه تبخیر و تعرق، تخمین دقیق آن کاری پیچیده و دارای روابط غیر خطی می باشد. در چند دهه اخیر سیستم های هوش مصنوعی کاربردهای بسیاری در مسائل مختلف مهندسی آب که رابطه و الگوی مشخصی بین عوامل موثر بر وقوع یک پدیده وجود ندارد، پیدا کرده است. بدین منظور از سیستم استنتاج فازی - عصبی تطبیقی (ANFIS) به منظور تخمین تبخیر و تعرق گیاه مرجع در منطقه اهواز طی سالهای 1957 تا 2000 میلادی استفاده گردید که از آمار ماهانه دمای ماکزیمم و مینیمم، رطوبت نسبی ماکزیمم و مینیمم سرعت باد، ساعات آفتابی ایستگاه مورد نظر به منظور آموزش شبکه استفاده شده است. مقدار تبخیر و تعرق گیاه مرجع نیز از روش استاندارد و متداول پنمن – مونتیث برآورد گردیده است. برای تعیین دقت مدلها از پارامترهای MAE , RMSE , R2 استفاده گردید. نتایج این تحقیق نشان می دهد که ANFIS قابلیت بالایی در پیش بینی مقدار ET0 و می توان از این روش به منظور تخمین تبخیر و تعرق گیاه مرجع استفاده کرد.
تخمین تبخیر و تعرق پتانسیل گیاه مرجع (ET0) با استفاده از شبکه عصبی - فازی (ANFIS) Keywords:
تخمین تبخیر و تعرق پتانسیل گیاه مرجع (ET0) با استفاده از شبکه عصبی - فازی (ANFIS) authors
فضل الله هاشمی نجفی
دانشجوی کارشناسی ارشد سازه های آبی، دانشگاه تربیت مدرس
جمال عباس پلنگی
کارشناس ارشد ابیاری و زهکشی، دانشگاه شهید چمران اهواز
رسول ازبرمی
کارشناس مهندسی آب دانشگاه گلستان
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 :