پیش بینی تبخیر-تعرق مرجع ایستگاه سینوپتیک اهواز با استفاده از مدل ترکیبی موجک – شبکه عصبی gmdh
Authors
abstract
سابقه و هدف: تخمین دقیق مقدار تبخیر-تعرق مرجع برای انجام بسیاری از تحقیقات ضروری و از مهم ترین مسائل در طرح های آبیاری و زهکشی و منابع آب به شمار می رود. یکی از این مسائل که می تواند در راستای اهداف ذکرشده اعمال شود، پیش بینی تبخیر-تعرق مرجع برای آینده است تا بتوان با برنامه ریزی های مناسب، امکان استفاده بهتر از منابع موجود را فراهم نمود (7). در سال های اخیر استفاده از روش های هوش مصنوعی و مدل هیبریدی بر پایه موجک در پیش بینی پارامترهای هیدرولوژیکی بسیار متداول گشته است (12). هدف تحقیق حاضر استفاده از دو مدل gmdh و موجک-gmdh در پیش بینی تبخیر-تعرق مرجع روزانه در ایستگاه سینوپتیک اهواز است. مواد و روش ها:. بدین منظور یک دوره آماری 10 ساله (2000 الی 2009) که 7 سال (2000-2006) آن برای آموزش و 3 سال (2007-2009) جهت آزمون و صحت سنجی مدل های پیشنهادی در نظر گرفته شد. برای ایجاد سری زمانی تبخیر-تعرق مرجع روزانه در دوره مورد نظر از معادله استاندارد پنمن-مانتیث فائو 56 استفاده گردید. 9 ترکیب مختلف از داده های ورودی (تأخیرهای مختلف) و انواع موجک های مادر (13 موجک مادر) مورد ارزیابی قرار گرفت. در مجموع 126 مدل که 117 عدد از آن ها مربوط به مدل هیبریدی موجک-gmdh و 9 مدل شبکه عصبی gmdh بود، اجرا گردید. برای انتخاب بهترین مدل از معیارهای آماری نظیر ضریب تبیین (r2)، ریشه میانگین مربعات خطا (rmse) و درصد متوسط خطا (mare) استفاده شد. یافته ها: نتایج نشان داد که مدل هیبریدی موجک-gmdh (با rmse 31/0 میلی متر بر روز) در مقایسه با مدل شبکه عصبی gmdh (با rmse 22/1 میلی متر بر روز) دارای توانایی و دقت بالاتری در پیش بینی تبخیر-تعرق مرجع روزانه است. همچنین نتایج نشان داد که استفاده از تأخیرهای زمانی بیشتر از چهار روز تأثیر چندانی بر دقت مدل ها ندارد و در برخی موارد می تواند موجب کاهش دقت نیز گردد. نتایج تحقیق حاضر با تحقیقات مشابه که از تبدیل موجک برای پیش پردازش داده ها استفاده نموده اند، مطابقت دارد (1، 4، 5 و 12). بررسی انواع موجک های مادر نیز نشان داد که استفاده از موجک میر به علت پیچیدگی بیشتر باعث افزایش دقت مدل ها می گردد. یافته فوق با نتایج رجایی و ابراهیمی(2014)، شعیب و همکاران(2015) و طوفانی و همکاران (2012) مطابقت دارد(13، 15 و 17). نتیجه گیری: نتایج این تحقیق نشان داد که مدل موجک- gmdh (درصد متوسط خطای مطلق 53/5) در پیش بینی تبخبر-تعرق مرجع برای یک روز بعد برتری چشم گیری بر مدل gmdh ( درصد متوسط خطای 11/22) دارد. از نتایج تحقیق حاضر می توان در برنامه ریزی آبیاری منطقه موردمطالعه استفاده نمود. در پایان پیشنهاد می گردد، مدل های پیشنهادی در اقلیم های مختلف ایران نیز مورد بررسی و ارزیابی قرار بگیرند.
similar resources
پیشبینی تبخیر-تعرق مرجع ایستگاه سینوپتیک اهواز با استفاده از مدل ترکیبی موجک – شبکه عصبی GMDH
سابقه و هدف: تخمین دقیق مقدار تبخیر-تعرق مرجع برای انجام بسیاری از تحقیقات ضروری و از مهمترین مسائل در طرحهای آبیاری و زهکشی و منابع آب به شمار میرود. یکی از این مسائل که میتواند در راستای اهداف ذکرشده اعمال شود، پیشبینی تبخیر-تعرق مرجع برای آینده است تا بتوان با برنامهریزیهای مناسب، امکان استفاده بهتر از منابع موجود را فراهم نمود (7). در سالهای اخیر استفاده از روشهای هوش مصنوعی و مدل ...
full textپیش بینی تبخیر-تعرق مرجع هفتگی با استفاده از مدل ترکیبی موجک- فازی عصبی تطبیقی
تبخیر-تعرقمرجع یکی ازمهم ترین و مؤثرترین مؤلفه ها در بهینه سازی مصرف آب کشاورزی و مدیریتمنابع آب می باشد. در سال های اخیر استفاده از روش های هوش مصنوعی و مدل هیبریدی بر پایه موجک در پیش بینی پارامترهای هیدرولوژیکی بسیار متداول گشته است. در مطالعه حاضر کاربرد روش های anfis و موجک- anfis در پیش بینی تبخیر-تعرق مرجع هفتگی مرجع در ایستگاه های همدیدی تبریز، اهواز، بندرعباس و رامسر که دارای اقلیم های...
full textپیشبینی تبخیر-تعرق مرجع هفتگی با استفاده از مدل ترکیبی موجک- فازی عصبی تطبیقی
تبخیر-تعرقمرجع یکی ازمهمترین و مؤثرترین مؤلفهها در بهینهسازی مصرف آب کشاورزی و مدیریتمنابع آب میباشد. در سالهای اخیر استفاده از روشهای هوش مصنوعی و مدل هیبریدی بر پایه موجک در پیشبینی پارامترهای هیدرولوژیکی بسیار متداول گشته است. در مطالعه حاضر کاربرد روشهای ANFIS و موجک- ANFIS در پیشبینی تبخیر-تعرق مرجع هفتگی مرجع در ایستگاههای همدیدی تبریز، اهواز، بندرعباس و رامسر که دارای اقلیمهای...
full textبررسی عملکرد شبکههای عصبی در برآورد تبخیر و تعرق گیاه مرجع (مطالعه موردی: ایستگاه سینوپتیک اهواز)
تبخیر و تعرق یکی از پارامترهای مؤثر بر بیلان آبی حوضههای آبریز و از اجزای اصلی چرخه هیدرولوژیکی محسوب میشود. به علت نیاز به برگ خریدهای اقلیمی مختلف و اثر متقابل این برگ خریدها برهم دیگر تبخیر و تعرق یک پدیده غیرخطی و پیچیده میباشد. یکی از مراحل پیچیده در مدلسازی سیستمهای غیرخطی، پیش پردازش پارامترهای ورودی جهت انتخاب ترکیبی مناسب است. در این پژوهش امکان استفاده از شبکههای MLP,MNN و FF ب...
full textMy Resources
Save resource for easier access later
Journal title:
پژوهش های حفاظت آب و خاکجلد ۲۳، شماره ۴، صفحات ۳۲۳-۳۳۰
Hosted on Doprax cloud platform doprax.com
copyright © 2015-2023