Ganji khorramdel N, Hoseini S M R. Estimation of Reference Evapotranspiration Using Artificial Neural Network Models and the Hybrid Wavelet Neural Network. jwss 2019; 23 (2) :215-226
URL:
http://jstnar.iut.ac.ir/article-1-3662-fa.html
1. گروه مهندسی آب، دانشکده کشاورزی، دانشگاه اراک، اراک ، naser.ganjikhorramdel@gmail.com
چکیده: (5323 مشاهده)
برآورد تبخیر و تعرق بهمنظور کاربرد در برنامهریزی، طراحی و مدیریت طرحهای آبیاری و زهکشی و مدیریت منابع آب ضروری است. در این تحقیق به ارزیابی مدلهای شبکه عصبی مصنوع، مدل شبکه عصبی- موجک، رگرسیون چند متغیره و روش تجربی هارگریوز در برآورد تبخیر و تعرق مرجع بهمنظور تعیین بهترین مدل از نظر میزان کارایی با توجه به دادههای موجود پرداخته شد. از دادههای روزانه دو ایستگاه هواشناسی فرودگاه شهرکرد و فرخشهر در منطقه خشک و سرد شهرکرد در بازه زمانی 2013-2004 شامل دمای حداقل و حداکثر، رطوبت نسیبی میانگین، سرعت باد در ارتفاع دو متری و ساعات آفتابی استفاده شد. 75 درصد دادهها برای آموزش و اعتبارسنجی و 25 درصد دادهها برای تست مدلها استفاده شد. شبکه طراحی شده یک شبکه عصبی پیشخور با تابع فعال تانژانت سیگموئید در لایه پنهان است. در مرحله بعدی موجکهای مختلف Haar، db و Sym روی دادهها اعمال شد و شبکه عصبی- موجک طراحی شد. برای ارزیابی مدلها روش پتمن مونتیث فائو مبنای کار قرار گرفت. برای هر چهار روش استفاده شده شاخصهای آماری RMSE، MAE و R محاسبه و رتبهدهی شدند. نتایج نشان داد که از میان مدلهای طراحی شده، شبکه عصبی موجک با موجک 5 db عملکرد بهتری نسبت به موجکهای دیگر و همچنین نسبت به شبکه عصبی مصنوعی، روش آماری رگرسیون چند متغیره و روش هارگریوز داشته است. نتایج مدل شبکه عصبی- موجک با موجک 5 db در ایستگاه فرخشهر بهترتیب برابر 0/2668، 0/2067 و 0/998 و در ایستگاه فرودگاه بهترتیب برابر 0/2138، 0/14 و 0/9989 محاسبه شد. نتایج نشان داد که شبکه عصبی- موجک عملکرد دقیقتری نسبت به سایر مدلهای مورد بررسی در این تحقیق داشت.
نوع مطالعه:
پژوهشي |
موضوع مقاله:
عمومی دریافت: 1396/11/16 | پذیرش: 1397/5/14 | انتشار: 1398/6/10