| تعداد نشریات | 56 |
| تعداد شماره‌ها | 2,157 |
| تعداد مقالات | 22,288 |
| تعداد مشاهده مقاله | 98,744,429 |
| تعداد دریافت فایل اصل مقاله | 38,072,949 |
ارزیابی تأثیر پیش پردازش پارامترهای ورودی به شبکه عصبی مصنوعی ((ANNs با استفاده از روشهای رگرسیون گام به گام و گاما تست به منظور تخمین سریع تر تبخیر و تعرق روزانه | ||
| آب و خاک | ||
| مقاله 19، دوره 24، شماره 3، مرداد 1389 اصل مقاله (695.54 K) | ||
| نوع مقاله: مقالات پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22067/jsw.v0i0.3631 | ||
| نویسندگان | ||
| محمد قبائی سوق* 1؛ ابوالفضل مساعدی2؛ موسی حسام2؛ ابوطالب هزارجریبی2 | ||
| 1شرکت مدیریت منابع آب ایران | ||
| 2دانشگاه علوم کشاورزی و منابع طبیعی گرگان | ||
| چکیده | ||
| چکیده تبخیر و تعرق (ETo) یکی از اجزای اصلی چرخه ی هیدرولوژیکی است که تعیین صحیح آن در مطالعات بیلان آبی، طراحی سیستم های آبیاری و برنامه ریزی و مدیریت منابع آب برای دست یابی به توسعه ی پایدار نقش به سزایی دارد. تبخیر و تعرق به علت نیاز به فاکتورهای اقلیمی مختلف و اثر متقابل این فاکتورها بر هم دیگر یک پدیده ی غیرخطی و پیچیده است. یکی از مراحل پیچیده در مد ل سازی سیستم های غیرخطی، پیش پردازش پارامترهای ورودی جهت انتخاب ترکیبی مناسب از آن ها است. پیش پردازش داده ها سبب کاهش مراحل سعی و خطا و شناخت مهم ترین پارامترهای مؤثر بر پدیده ی مورد نظر جهت مدل سازی با استفاده از روش های هوشمند می گردد. در این تحقیق از دو روش رگرسیون گام به گام (FS) و گاماتست (GT) برای پیش پردازش پارامترهای ورودی به شبکه ی عصبی پرسپترون چند لایه (MLP) جهت تخمین ETo روزانه ی ایستگاه سینوپتیک شیراز استفاده شده است. برای ارزیابی تأثیر پیش پردازش پارامترهای ورودی با استفاده از معیارهای مختلف آماری سنجش خطا به مقایسه ی دو مدل ANN-FS و ANN-GT (با پارامترهای پردازش شده) با یکدیگر و هم چنین با مدل ANN که هیچ گونه پیش پردازشی روی پارامترهای ورودی آن انجام نشده است، پرداخته شد. نتایج نشان داد که هر سه مدل از دقت بالایی جهت تخمین ETo روزانه برخوردارند و از میان سه مدل فوق، مدل ANN-GT با مقدار ضریب تبیین (R2) 9995/0 و ریشه میانگین مربعات خطا (RMSE) 0483/0 نسبت به دو مدل دیگر ANN-FS و ANN به ترتیب با مقادیر R2 برابر با 9984/0 و 9994/0 و RMSE برابر با 0874/0 و 0548/0 از دقت بالاتری برخوردار است. اگرچه در این تحقیق برتری دقت مدل ANN-GT نسبت به مدل ANN ناچیز است اما توانایی های مشخص نمودن ترتیب اهمیت پارامترهای ورودی، تعیین تعداد تقریباً 800 داده ی معنی دار برای آموزش شبکه و یافتن بهترین ترکیب که شامل همه ی پارامترهای ورودی به جز دمای حداکثر می باشد این آزمون را می تواند به عنوان ابزار مفیدی برای پیش پردازش پارامترهای ورودی جهت مدل سازی سربع تر تبخیر و تعرق تبدیل کند. واژه های کلیدی : تبخیر و تعرق پتانسیل، شبکه های عصبی مصنوعی، گاماتست، رگرسیون گام به گام، ایستگاه سینوپتیک شیراز | ||
|
آمار تعداد مشاهده مقاله: 4,696 تعداد دریافت فایل اصل مقاله: 2,637 |
||