پیشبینی تبخیر-تعرق مرجع ایستگاه سینوپتیک اهواز با استفاده از مدل ترکیبی موجک – شبکه عصبی GMDH
author
Abstract:
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 هیبریدی بر پایه موجک در پیشبینی پارامترهای هیدرولوژیکی بسیار متداول گشته است (12). هدف تحقیق حاضر استفاده از دو مدل GMDH و موجک-GMDH در پیشبینی تبخیر-تعرق مرجع روزانه در ایستگاه سینوپتیک اهواز است. مواد و روشها:. 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 مدلهای 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 دادههای ورودی (تأخیرهای مختلف) و انواع موجکهای مادر (13 موجک مادر) مورد ارزیابی قرار گرفت. در مجموع 126 مدل که 117 عدد از آنها 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. یافتهها: نتایج نشان داد که مدل هیبریدی موجک-GMDH (با RMSE 31/0 میلیمتر بر روز) در مقایسه با مدل شبکه عصبی GMDH (با RMSE 22/1 میلیمتر بر روز) دارای توانایی و دقت بالاتری در پیشبینی تبخیر-تعرق مرجع روزانه است. همچنین نتایج نشان داد که استفاده از تأخیرهای زمانی بیشتر از چهار روز تأثیر چندانی بر دقت مدلها ندارد و در برخی موارد میتواند 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 موجکهای مادر نیز نشان داد که استفاده از موجک میر به علت پیچیدگی بیشتر باعث افزایش دقت مدلها میگردد. یافته فوق با نتایج رجایی و ابراهیمی(2014)، شعیب و همکاران(2015) و طوفانی و همکاران (2012) مطابقت دارد(13، 15 و 17). نتیجهگیری: نتایج این تحقیق نشان داد که مدل موجک- GMDH (درصد متوسط خطای مطلق 53/5) در پیشبینی تبخبر-تعرق مرجع برای یک روز بعد برتری چشمگیری بر مدل GMDH ( درصد متوسط خطای 11/22) دارد. از نتایج تحقیق حاضر میتوان در برنامهریزی آبیاری منطقه موردمطالعه استفاده نمود. در پایان پیشنهاد میگردد، مدلهای پیشنهادی در اقلیمهای مختلف ایران نیز مورد بررسی و ارزیابی قرار بگیرند.
similar resources
پیش بینی 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 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 ...
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 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 textMy Resources
Journal title
volume 23 issue 4
pages 323- 330
publication date 2016-10-22
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