بهبود دقت روش هارگریوز در برآورد تبخیر- تعرق مرجع به کمک ضریب اصلاحی با مدل شبکه عصبی مصنوعی و درخت تصمیم M5

Authors

  • امید محترمی دانشگاه تهران، دانشکده مهندسی و فناوری کشاورزی، گروه مهندسی آبیاری و آبادانی
  • تیمور سهرابی گروه آبیاری و آبادانی،تهران، دانشگاه تهران، تهران، ایران
Abstract:

تبخیر- تعرق یکی از مهم ترین اجزای چرخه هیدرولوژی است که مدلسازی آن در مدیریت منابع آب نقش مهمی دارد. در تحقیق حاضر امکان بهبود دقت برآورد تبخیر- تعرق روش هارگریوز به کمک ضریب اصلاحیK با استفاده از مدل شبکه عصبی مصنوعی و مدل درخت تصمیم M5 مورد بررسی قرار گرفت. این ضریب برابر با نسبت تبخیر- تعرق مدل پنمن مونتیث فائو به روش هارگریوز می باشد. داده های مورد استفاده این تحقیق عبارت از دمای حداکثر و حداقل و رطوبت نسبی در بازه ی زمانی 2013-2004 از ایستگاه فرخشهر و فرودگاه در منطقه ی خشک سرد شهرکرد می باشد. شبکه طراحی شده یک شبکه پرسپترون چند لایه با الگوریتم آموزشی لونبرگ مارکوات و تابع تانژانت سیگموئید در لایه پنهان می باشد. مدل درخت تصمیمم به کمک نرم افزار WEKA طراحی گردید. نتایج نشان می دهد که شبکه عصبی و مدل درخت تصمیمم عملکرد خوبی در مدلسازی ضریب اصلاحی دارند، ولی عملکرد مدل شبکه عصبی دقیق تر است. نتایج نشان داد که قبل از استفاده از ضریب اصلاحی دقت مدل هارگریوز RMSE=0.90 (ریشه میانگین مربعات خطا) نسبت به روش پنمن مونتیث فائو بود که این مقدار بعد از استفاده از ضریب اصلاحی به کمک شبکه عصبی به RMSE=0.69 و با از استفاده از ضریب اصلاحی به کمک درخت تصمیمم به RMSE=0.72 رسید. به طور کلی نتایج نشان داد که بعد از استفاده از ضریب اصلاحی عملکرد مدل هارگریوز بهبود یافته است.

Upgrade to premium to download articles

Sign up to access the full text

Already have an account?login

similar resources

تخمین تبخیر و تعرق مرجع روزانه به کمک مدل درخت تصمیمM5 و شبکه عصبی مصنوعی

تعیین دقیق آب مصرفی گیاه باعث افزایش راندمان آبیاری و بهبود مدیریت آب در مزرعه را دنبال دارد. تبخیر و تعرق یک از اجزای اصلی چرخه­ی هیدرولوژی محسوب می­شود و برآورد دقیق آن در مدیریت منابع آب نقش اساسی دارد. در این تحقیق به ارزیابی مدل درختی  M5  و مدل شبکه­ی عصبی تحت شرایط مختلف حداقل داده­ی اقلیمی در یک منطقه­ی خشک سرد پرداخته شد. داده­های مورد استفاده در این تحقیق شامل دمای حداقل و حداکثر، رطو...

full text

مقایسه مدل درخت تصمیم m5 و رگرسیون چند متغیره در ارائه مناسبترین ضریب اصلاحی روش هارگریوز- سامانی برای برآورد منطقه ای تبخیر- تعرق

تبخیر و تعرق از اساسی ترین اجزای چرخه ی هیدرولوژی است که تعیین صحیح آن در علوم آب از قبیل مطالعـات تـوازن هیـدرولوژیکی، طراحـی و مدیریت سیستم های آبیاری از اهمیت بالایی برخوردار است. پژوهش حاضر امکان افزایش دقت برآورد تبخیر-تعرق به روش هارگریوز-سامانی را بر اساس ضریب اصلاحی k بررسی می کند. این ضریب که نسبت برآورد تبخیر-تعرق با دو روش فائو پنمن-مانتیت (f-p-m) و هارگریوز-سامانی مـی باشـد بـر اساس...

شبیه‌سازی و مقایسه‌ی تبخیر و تعرق پتانسیل به روش‌های شبکه عصبی مصنوعی، نروفازی ودرخت تصمیم‌گیریM5 (مطالعه موردی؛ ایستگاه سینوپتیک شیراز )

تخمین صحیح تبخیر‌ و تعرق در طراحی، مدیریت سیستم‌های آبیاری و زهکشی از اهمیت زیادی برخوردار است. یکی از روش‌های تخمین تبخیر و تعرق، که در حل این مسائل و پیش‌بینی آن کاربرد زیادی دارد، روش‌های نروفازی (ANFIS)، شبکه‌های عصبی مصنوعی (ANNs) و درخت تصمیم‌گیری M5 می‌باشند. هدف از این تحقیق، بررسی کارایی روش‌های مذکور در برآورد تبخیر و تعرق مرجع در ایستگاه هواشناسی شیراز می‌باشد، بدین منظور داده‌های هو...

full text

برآورد تبخیر- تعرق مرجع روزانه با استفاده از روش های داده کاوی رگرسیون بردار پشتیبان و مدل درختی M5

Evapotranspiration is one of the most important components of the hydrological circle and its proper determination is highly important in most researches such as water hydrological balance, design and management of irrigation systems, simulation of crop production and design and management of water resources. Nonlinear characteristic, uncertainty and needing for different climatological data in...

full text

My Resources

Save resource for easier access later

Save to my library Already added to my library

{@ msg_add @}


Journal title

volume 6  issue 1

pages  36- 47

publication date 2018-06-22

By following a journal you will be notified via email when a new issue of this journal is published.

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023