مقایسه روش های سری زمانی و شبکه عصبی مصنوعی در پیش بینی تبخیر-تعرق مرجع (مطالعه موردی: ارومیه)
Authors
abstract
تبخیر-تعرق یکیازمؤلفههایمهمدرمصرفمنابعآب در بخش کشاورزیمیباشد. لذا ارائه روشی که پیشبینی مناسب و دقیقی از میزان تبخیر-تعرق مرجع را بدهد، میتواند در اخذتصمیم بهینهبرایبرنامهریزی منابع آب کمککند. دراینتحقیق،روشهای سری زمانی و شبکههای عصبی مصنوعی درپیشبینیتبخیر-تعرق مرجع ماهانهدرایستگاهسینوپتیک ارومیهموردمقایسه قرار گرفتند. بدین منظور در گام نخست بهترین مدل سری زمانی از بین مدلهای arو armaو بهترین مدل شبکه عصبی از بین شبکههای با تابع پایه شعاعی (rbf) و پرسپترون چندلایه (mlp) انتخاب گردید. در گام دوم دو مدل انتخاب شده با یکدیگر مقایسه شدند. در مدلهای شبکه عصبی ذکر شده تاخیرهای ماهانه مختلف از تبخیر-تعرق مرجع به عنوان ورودی شبکه انتخاب گردید. در این فرآیند مقادیرتبخیر-تعرق مرجع ماهانه از سال 1350 تا 1389 با استفاده از روش پنمن مونتیث فائو محاسبه شد. دادههای مذکور از سال1350 تا 1384 برای انتخاب بهترین مدل سری زمانی و بهترین ساختار شبکهها استفاده و از دادههای 1385 تا 1389 بهمنظور مقایسه روشها استفاده گردید. نتایج نشان داد که مدل ar(11)در بین سایر مدلهای سری زمانی عملکرد بهتری داشته و مدل rbfدارای خطای کمتری نسبت به مدل mlpبود. مقایسه بهترین مدل سری زمانی (مدل ar(11)) با بهترین مدل شبکه عصبی (مدل rbf) نشان داد که مدل rbfتوانست مقادیر تبخیر-تعرق مرجع را در دوره 1385 تا 1389 با خطای کمتری پیشبینی کند. مقدار جذر میانگین مربعات خطا در دو مدل ar(11)و rbfبه ترتیب 85/1 و 999/0 میلیمتر در ماه به دست آمد.
similar resources
مقایسه روشهای سری زمانی و شبکه عصبی مصنوعی در پیشبینی تبخیر-تعرق مرجع (مطالعه موردی: ارومیه)
تبخیر-تعرق یکیازمؤلفههایمهمدرمصرفمنابعآب در بخش کشاورزیمیباشد. لذا ارائه روشی که پیشبینی مناسب و دقیقی از میزان تبخیر-تعرق مرجع را بدهد، میتواند در اخذتصمیم بهینهبرایبرنامهریزی منابع آب کمککند. دراینتحقیق،روشهای سری زمانی و شبکههای عصبی مصنوعی درپیشبینیتبخیر-تعرق مرجع ماهانهدرایستگاهسینوپتیک ارومیهموردمقایسه قرار گرفتند. بدین منظور در گام نخست بهترین مدل سری زمانی از بین مدلهای A...
full textارزیابی مدلهای سری زمانی خطی و غیر خطی بیلینییر در پیش بینی تبخیر- تعرق گیاه مرجع در ایستگاه سینوپتیک ارومیه
پیشبینی تبخیر-تعرق گیاه مرجع یکیاز مهمترین عناصردر بهینه سازی مصرف آب کشاورزی است. یکیازروشهایپیشبینی مقادیرتبخیر-تعرق گیاه مرجعاستفاده از مدلهای استوکاستیکسری زمانیاست. دراینپژوهشمدلهای خطی AR(p) و ARMA(p,q) به همراه مدل غیر خطی بیلینییر درپیشبینی مقادیر ماهانهتبخیر-تعرق گیاه مرجع درایستگاهسینوپتیک ارومیهمورد مقایسه قرار گرفت. برای انجام پژوهش، مقادیر ماهانه تبخیر-تعرق گیاه مرجع از سال ...
full textکاربردهای شبکه های عصبی در پیش بینی سری های زمانی
استفاده از روش های غیر کلاسیک در شناسایی مدل و پیش بینی رفتار سیستم های پیچیده، مدتهاست در محافل علمی و حتی حرفه ای متداول و معمول شده است. در بسیاری از سیستم های پیچیده و خصوصا غیر خطی که مدل سازی و به دنبال آن پیش بینی و کنترل آنها از طریق روش های کلاسیک و تحلیلی امری بسیار دشوار و حتی بعضا غیر ممکن می نماید، از روش های غیر کلاسیک که از ویژگی هایی همچون هوشمندی، مبتنی بر معرفت و خبرگی برخوردا...
full textکاربرد شبکه عصبی مصنوعی در پیش بینی تبخیر-تعرق با حداقل داده های هواشناسی
برآورد دقیق تبخیر- تعرق در اعمال مدیریت بهینۀ منابع آب، ضروری است. تبخیر - تعرق مؤلفه مهمی در توازن آب در مناطق مختلف به شمار می‌رود. مهندسین آب با علم به اینکه چه مقدار از آب آبیاری به مصرف محصول می‌رسد، قادر به محاسبه مهمترین جز آب در سیکل هیدرولوژیک یعنی تبخیر - تعرق خواهند بود. در مطالعه حاضر تبخیر– تعرق روزانه دشت ارومیه با استفاده از دادههای هواشناسی طی دوره آماری 1390 – 1363 به روش فائو...
full textپیش بینی تبخیر-تعرق مرجع با استفاده از شبکه های عصبی مصنوعی rbf ،mlp svm
تخمین تبخیر-تعرق گیاه مرجع یکی از مهم ترین مؤلفه ها در بهینه سازی مصرف آب کشاورزی و مدیریت منابع آب است. پیش بینی تبخیر-تعرق مرجع روزانه و هفتگی می تواند 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 مصنوعی mlp(پرسپترون چندلایه)، rbf (شبکه تابع پایه ای شعاعی)، svm (ماشین بردار پشتیبان) در پیش بینی تبخیر-تعرق م...
full textMy Resources
Save resource for easier access later
Journal title:
علوم و مهندسی آبیاریPublisher: دانشگاه شهید چمران اهواز - دانشکده مهندسی علوم آب
ISSN 0254-3648
volume 38
issue 4 2016
Hosted on Doprax cloud platform doprax.com
copyright © 2015-2023