پیش بینی تبخیر-تعرق مرجع با استفاده از شبکه های عصبی مصنوعیSVM ، RBF،و MLP

تخمین تبخیر-تعرق گیاه مرجع یکی از مهمترین مولفه ها در بهینه سازی مصرف آب کشاورزی و مدیریت منابع آب است. پیشبینی تبخیر -تعرق مرجع روزانه و هفتگی میتواند در پیش بینی نیاز آبی گیاهان و برنامه ریزی کوتاه مدت آبیاری مورداستفاده قرار گیرد. هدف از این تحقیق، ارزیابی عملکرد سه نوع شبکه عصبی مصنوعیMLP (پرسپترون چندلایه)، RBF (شبکه تابع پایه ای شعاعی)، SVM (ماشین بردار پشتیبان) در پیش بینی تبخیر-تعرق مرجع روزانه و هفتگی در ایستگاه همدیدی تبریز است. برای این منظور از داده های هواشناسی با دوره آماری 39 ساله (1971-2009) استفاده شد. برای آموزش شبکه های عصبی 80 درصد سریهای زمانی ایجادشده به تصادف انتخاب و 20 درصد داده ها برای صحت سنجی مدلهای پیشنهادی به کار رفتند. برای ایجاد سری زمانی تبخیر-تعرق مرجع روزانه و هفتگی در دوره موردنظر با استفاده از معادله استاندارد پنمن-مانتیث فایو 56 محاسبه گردید. ترکیب های متفاوتی از داده های ورودی (تاخیرهای مختلف) مورد ارزیابی قرار گرفت. نتایج مربوط به پیش بینی روزانه شبکه های عصبی نشان داد شبکه عصبی مصنوعی SVM-RBF kernel با تاخیر زمانی M5 دارای RMSE و R2 به ترتیب برابر با 0/51 میلیمتر در روز و 0/92 بهترین عملکرد را داشت. همچنین نتایج مربوط به پیشبینی هفتروزه نشان داد که شبکه عصبی MLP با تاخیر زمانی M8 دارای RMSE و R2 به ترتیب برابر با 3/88 میلیمتر در هفته و 0/95 دارای بیشترین دقت بودند.

Keywords:

تبریز , سری های زمانی , شبکه های عصبی مصنوعی , روش پنمن-مانتیث , نیاز آبی گیاهان