4 نتیجه برای رحیمی خوب
علی رحیمی خوب، سید محمود رضا بهبهانی ، محمدهادی نظری فر،
جلد 11، شماره 42 - ( زمستان 1386 )
چکیده
مدل‌های پیش‌بینی دمای هوا با استفاده از داده‌های ماهواره‌ای، مبتنی بر متغیرهای دمای سطح زمین و شاخص پوشش گیاهی هستند. این متغیرها با اعمال تصحیحات اتمسفری بر روی داده‌های فوق تعیین می‌شوند. میزان بخار آب، اوزن و عمق اپتیکی ذرات معلق در جو از داده‌های مورد نیاز برای تصحیح اتمسفری باندهای مرئی هستند ولی در اغلب مناطق ایران، این پارامترها اندازه‌گیری نمی‌شوند. هم‌چنین با استفاده از روش‌های موجود، دمای سطح زمین تا دقت 2 درجه سانتی‌گراد تعیین می‌شود. در این تحقیق با توجه به محدودیت‌های فوق، دقت پیش‌بینی دمای بیشینه هوا با استفاده از داده‌های بدون تصحیح اتمسفری شده ماهواره نوا و مدل شبکه عصبی مورد بررسی قرار گرفت. برای این منظور، مدل‌های مختلف شبکه عصبی، حاصل از ترکیب‌های مختلف داده‌های 4 باند ماهواره نوا و 3 متغیر جغرافیایی به عنوان ورودی‌های مدل ساخته شدند و بهترین مدل انتخاب شد. نتایج نشان داد، مدل شبکه عصبی با ساختار 6 نرون در لایه ورودی (شامل 4 باند ماهواره نوا، روز شمار سال و ارتفاع زمین) و 19 نرون در لایه پنهان بهترین مدل می‌باشد. در این ساختار حدود 4/91 درصد نتایج در محدوده دقت 3 درجه سانتی‌گراد واقع شدند و معیارهای آماریRMSE ، R2 و MBE به ترتیب 62/0، 7/1 درجه سانتی‌گراد و 01/0- درجه سانتی‌گراد می‌باشند.
علی رحیمی خوب، سید محمد رضا بهبهانی، محبوبه جمشیدی،
جلد 13، شماره 50 - ( علوم و فنون كشاورزي و منابع طبيعي، علوم آب و خاك زمستان 1388 )
چکیده
تابش خورشید رسیده به زمین یکی از پارامترهای مورد نیاز برای مطالعات منابع آب، محیط زیست و کشاورزی است. این پارامتر به ندرت در ایستگاه‌های هواشناسی اندازه‌گیری می شود و از این رو روش‌های تجربی زیادی برای برآورد آن با استفاده از سایر پارامترهای هواشناسی ارائه شده است. در این تحقیق دو روش تجربی انگستروم و هارگریوز - سامانی که به ترتیب مبتنی بر ساعات آفتابی و دمای هوا هستند، جهت برآورد تابش روزانه خورشید در جنوب شرق تهران واسنجی و ارزیابی شدند. هم‌چنین دو مدل شبکه عصبی با ورودی‌های مشابه با مدل های تجربی فوق ارائه شدند. نتایج بررسی نشان داد، مدل های تجربی فوق و مدل‌های شبکه های عصبی با دقت خوبی تابش خورشید را برآورد می کنند، لیکن، مدل های مبتنی بر ساعات آفتابی نسبت به مدل‌های مبتنی بر دمای هوا برتری دارند. مدل شبکه عصبی مبتنی بر ساعات آفتابی با ضریب تعیین (R2) برابر 97/0 و جذر میانگین مربع خطا (RMSE) برابر 34/1 مگاژول بر متر مربع در روز بهترین نتایج را ارائه داد.
علی رحیمی خوب، پریسا صابری، سید محمود رضا بهبهانی ، محمدهادی نظری فر،
جلد 15، شماره 56 - ( علوم و فنون كشاورزي و منابع طبيعي، علوم آب و خاك - تابستان 1390 )
چکیده
در این تحقیق روش آماری سنجش از دور برای برآورد تابش خورشید رسیده به زمین با استفاده از داده‌های تصاویر ماهواره نوا سنجنده AVHRR برای منطقه جنوب شرق تهران واسنجی و ارزیابی شد. اساس این روش بر هم‌بستگی خطی بین شاخص ابر برآورد شده از تصاویر ماهواره‌ای و شاخص صافی هوای اندازه‌گیری شده در ایستگاه هواشناسی است. هم‌چنین یک مدل هم‌بستگی چند متغیره برای تبدیل داده‌های پنج باند ماهواره نوا و تابش بیرون زمینی به تابش رسیده به زمین تدوین و با روش آماری بالا مقایسه شد. نتایج نشان داد، مدل هم‌بستگی چند متغیره با ضریب تعیین (R2) و جذر میانگین مربع خطا (RMSE) به ترتیب مساوی 93/0 و 8/5 درصد در مقایسه با روش آماری، با دقت زیادتری تابش رسیده به زمین را برآورد می‌کند.
حبیب کریمی اورگانی، علی رحیمی خوب، محمد هادی نظری فر،
جلد 23، شماره 3 - ( علوم آب و خاک - علوم و فنون کشاورزی و منابع طبیعی- پاییز 1398 )
چکیده
در سال‌های اخیر پژوهش‌های زیادی روی مدل آکواکراپ انجام شده است و نتایج به‌دست آمده نشان می‌دهد که این مدل عملکرد محصول را برای شرایط کم‌آبیاری با دقت خوبی شبیه‌سازی می‌کند. ولی این مدل مثل سایر مدل‌های شبیه‌ساز به مقادیر متغیرهای مستقل (ورودی مدل) حساس است. در این پژوهش حساسیت مدل آکواکراپ برای چهار پارامتر ورودی تبخیر و تعرق مرجع، بهره‌وری آب نرمال شده، درصد پوشش گیاهی مرحله اول رشد و حداکثر پوشش گیاهی با استفاده از روش بون برای محصول جو بررسی شد. تیمارهای آبیاری شامل آبیاری کامل و دو تیمار کم‌آبیاری 80 و 60 درصد بود که در سال زراعی 94-1393 در مزرعه پردیس ابوریحان اعمال شد. مقادیر اندازه‌گیری‌شده زیست‌‌توده در تیمارها به‌عنوان مقادیر مبنا استفاده شدند. نتایج نشان داد بیشترین حساسیت مدل نسبت به تبخیر و تعرق گیاه مرجع است، به‌طوری که مقدار ضریب حساسیت این پارامتر برای تیمارهای آبیاری کامل، 80 درصد آبیاری کامل و 60 درصد آبیاری کامل به‌ترتیب برابر 1/1-، 2/1- و 3/2- به‌دست آمد که علامت منفی نشان می‌دهد، در‌صورتی که مقدار تبخیر و تعرق مرجع بیش از مقدار واقعی به مدل وارد شود، عملکرد محصول کمتر از واقعیت شبیه‌سازی می‌شود و در این میان هر قدر درجه کم‌آبیاری بیشتر شود، حساسیت مدل بیشتر می‌شود.
