دانشگاه تبریز
فهرست نشریات دارای اعتبار وزارت علوم، تحقیقات و فناوری
پایگاه استنادی علوم جهان اسلام (ISC)

 آمار

تعداد نشریات45
تعداد شماره‌ها1,435
تعداد مقالات17,673
تعداد مشاهده مقاله57,698,673
تعداد دریافت فایل اصل مقاله19,373,280
شیرزاد, منیر, فیضی, هاجر, رضایی بنفشه, مجید. (1401). شبیه سازی تبخیر تعرق روزانه گیاه مرجع با استفاده از روش هوش مصنوعی و مقایسه آن با روش‌های تجربی (مطالعه موردی: آذربایجان شرقی). سامانه مدیریت نشریات علمی, 26(80), 183-171. doi: 10.22034/gp.2022.13830.1815
منیر شیرزاد; هاجر فیضی; مجید رضایی بنفشه. "شبیه سازی تبخیر تعرق روزانه گیاه مرجع با استفاده از روش هوش مصنوعی و مقایسه آن با روش‌های تجربی (مطالعه موردی: آذربایجان شرقی)". سامانه مدیریت نشریات علمی, 26, 80, 1401, 183-171. doi: 10.22034/gp.2022.13830.1815
شیرزاد, منیر, فیضی, هاجر, رضایی بنفشه, مجید. (1401). 'شبیه سازی تبخیر تعرق روزانه گیاه مرجع با استفاده از روش هوش مصنوعی و مقایسه آن با روش‌های تجربی (مطالعه موردی: آذربایجان شرقی)', سامانه مدیریت نشریات علمی, 26(80), pp. 183-171. doi: 10.22034/gp.2022.13830.1815
شیرزاد, منیر, فیضی, هاجر, رضایی بنفشه, مجید. شبیه سازی تبخیر تعرق روزانه گیاه مرجع با استفاده از روش هوش مصنوعی و مقایسه آن با روش‌های تجربی (مطالعه موردی: آذربایجان شرقی). سامانه مدیریت نشریات علمی, 1401; 26(80): 183-171. doi: 10.22034/gp.2022.13830.1815

شبیه سازی تبخیر تعرق روزانه گیاه مرجع با استفاده از روش هوش مصنوعی و مقایسه آن با روش‌های تجربی (مطالعه موردی: آذربایجان شرقی)

جغرافیا و برنامه‌ریزی
مقاله 10، دوره 26، شماره 80، 1401، صفحه 183-171    اصل مقاله (869.93 K)
نوع مقاله: مقاله علمی پژوهشی
شناسه دیجیتال (DOI): 10.22034/gp.2022.13830.1815
نویسندگان
منیر شیرزاد* 1؛ هاجر فیضی2؛ مجید رضایی بنفشه3
1دانشجوی کارشناسی ارشد سنجش از دور، دانشگاه تبریز
2دانشجوی کارشناسی ارشد مهندسی منابع آب، دانشگاه تبریز
3استاد گروه آب و هواشناسی، دانشگاه تبریز
چکیده
کشور ایران از جمله مناطق خشک و نیمه خشک جهان است و با محدودیت شدید منابع آب مواجه است. تعیین تبخیر و تعرق که یکی از اجزای اصلی چرخه هیدرولوژی می‌باشد، در بسیاری از مطالعات از جمله توازن هیدرولوژیک آب، طراحی و مدیریت سیستم‌های آبیاری، شبیه‌سازی میزان محصول و مدیریت منابع آب از اهمیت بالایی برخوردار است. در پژوهش حاضر از روش شبکه عصبی مصنوعیANN و سه روش تجربی پنمن مانتیث فائو (PMF56) و بلانی کریدل(BC) کمبرلی پنمنK-P)) برای مدلسازی سیستم غیرخطی تبخیر و تعرق گیاه مرجع (ET0) که داده‌های ورودی- خروجی آن به صورت روزانه بودند، استفاده شد. سپس نتایج بدست آمده از روش‌های مذکور با داده‌های تبخیر اندازه گیری شده در منطقه آذربایجان شرقی(ایستگاه مراغه، میانه، اهر و جلفا) تحت واسنجی قرار گرفتند. نتایج نشان داد که روش شبکه عصبی مصنوعی دارای دقت و سرعت بهتر در مدلسازی ET0 در مقایسه با روش‌های کلاسیک می‌باشد. از دیگر نتایج مطالعه می‌توان به مناسب تر بودن روش دمایی BC نسبت به دیگر مدل‌های تجربی اشاره کرد. همچنین این پژوهش نشان داد مدل ANN با قانون یادگیری لونبرگ مارکوارت نتایج ET0 بهتری را در شرایط اقلیمی مورد مطالعه ارائه می‌دهد.
کلیدواژه‌ها
آذربایجان شرقی؛ بلانی کریدل؛ پنمن مانتیث فائو؛ تبخیر-تعرق؛ شبکه عصبی مصنوعی
سایر فایل های مرتبط با مقاله
مراجع
  • ثنایی­نژاد، حسن. نوری، سعید. هاشمی­نیا، محمد، برآورد تبخیر و تعرق واقعی با استفاده از تصاویر ماهواره­ای در منطقه مشهد. نشریه آب و خاک (علوم و صنایع کشاورزی ). 25(3)، 1390، 547-540.
  • جهانبخش، سعید، موحد دانش، علی ، مولوی، احسان. (1380)، تحلیل مدلهای برآورد تبخیر - تعرق برای ایستگاه هواشناسی تبریز، دانش کشاورزی، شماره2، جلد11، صص65-51.
  • خوشحال، محسن. علیزاده، احمد. ثنایی، علی، کاربرد شبکه عصبی مصنوعی در شبیه سازی عناصر اقلیمی و پیش بینی سیکل خشکسالی، مجله جغرافیا و برنامه ریزی محیطی، ش،39، 1389، صص 120-107.
  • زارع ابیانه، حسن.، نوری، حسین.، لیاقت، علی.، نوری، حسن.، کریمی، وحید، مقایسه روش پنمن مانتیث فائو و تشت تبخیر کلاس A با دادههای لایسیمتری در براورد تبخیر و تعرق گیاه برنج در منطقه آمل. پژوهشهای جغرافیای طبیعی، شماره 76، تابستان1390،صص .83-71
  • زارع ابیانه، حسن.؛ قاسمی، علی.؛ بیات ورکشی، محمد.؛ معروفی، محمد. ، ارزیابی دقت شبکه عصبی در پیش بینی تبخیر – تعرق گیاه سیر بر اساس داده های لایسیمتریی در منطقه همدان، دانش آب و خاک، دوره 23، شماره 3، 1388، صفحات 185-176.
  • زاهدی، م، بیاتی خطیبی، مریم. (1387)، هیدرولوژی، انتشارات سمت.
  • سلطانی، جمشید. مقدم­نیا، علی. پیری، جمال. میرمرادزهی، جواد، مقایسه کارآیی مدل­های تلفیقی NN-ARX و ANFIS با GA-GT جهت تخمین تبخیر روزانه از تشت در شرایط اقلیمی خشک و گرم بلوچستان. نشریه آب و خاک (علوم  و صنایع کشاورزی ). جلد 27. شماره2، 1391، صص 393-381.
  • Allen, R.G and W.O. Perot .(1998)، Closure to Relational Use of the FAO Blaney-Criddle Formula ،Irrig and Drian Eng . 114(2):375- 380.
  • Allen, R.G., M. Tatsumi, A. Morse. (2005)، Satellite-based Evapotranspiration by METRIC and Landsat for Western Estates Water Management, US Bureau Reclamation Evapotranspiration Workshop.
  • Cai J., and Santos L. (2007)، Estimation reference evapotranspiration with the FAO Penman-Monteith equation using daily weather forecast messages. Agricultural and Forest Meteorology, 145: 22-35.
  • Clothier, B.E., J.P. Kerr, J.S. Talbotand D.R. Scott.(1982)، Measured and Evapotranspiration from Well-Watered Crops”, New Zealand, J.Agr.Res ., 25: 301-307.
  • Goyal, R.K. (2004،( Sensitivity of evapotranspiration to global warming: a case study of arid zone of Rajasthan (India). Agricultural Water Management, 69: 1-11.
  • Grange r, R. J.(1999) Satellite -derived estimation of evapotranspiration in Gediz bas in, Journal of Hydrology 229, 70 -76.
  • Gundekar, H. G., Khodke, U. M, & Sarkar, S. (2008،( Evaluation of pan coefficient for reference crop evapotranspiration for semi-arid region. Irrigation Science 26:169–175.
  • Jensen, N.E.R.D and R.G. Allen .(1990،( Evapotranspiration and Irrigation Water Requirements, ASCE Manuals and Reports on Engineering Practices , No. 70: 354-358.
  • Kumar, M., Raghuwanshi., N.S., Singh, R., Wallender, W.W.and Pruitt, W.O. (2002،("Estimating evapotranspiration using artificial net work". J Irrig. Drain. Eng., 128(4), 224-233.
  • Landeras, G., Ortiz- Barredo, A., and López, J.J .(2008،( Comparison of artificial neural network models and empirical and semi-empiric al equations for daily reference evapotranspiration estimation in the Basque Country (Northern Spain). J. Agric. Water Manage 65:553-565.
  • Lopez-Urrea, R., Martín de Santa Olalla, F., Fabeiro, C. & Moratalla A. (2006،(Testing evapotranspiration equations using lysimeter observations in a semi-arid climate. Agric Water Management 85:15–26.
  • Misra D, Oommen T, Agarwal A and Mishra SK, (2009). Application and analysis of Support Vector machine based simulation for runoff and sediment yield. Journal of Bio Systems Engineering, 103(9) 527-535.
  • Paulo C., Terry J., and Eduardo A .(2009)، Evaluation of FAO Penman–Monteith and alternative methods for estimating reference evapotranspiration with missing data in Southern Ontario, Canada. Agricultural Water Management, 97: 635-644.
  • Piri، Amin، S. Moghaddamnia، A. Keshavarz، A. Han، D. Remesan، R. 2009. Daily Pan Evaporation Modeling in a Hot and Dry Climate. Journal of Hydrologic Engineering.
  • Salih, A.M.A. and U. Sendil، Evapotranspiration under Extremely Arid Climates, J. Irrig., and Drain, Eng., ASCE, 110(3): 289-303.
  • Samani, Z.A., and M. Pessarakli. 1986 ،Estimating Potential Crop Evapotranspiration with Minimum Data in Arizona, Trans, ASAE , 29: 522-524.
  • Sudheer, K.P., Gosain, A.K., and Ramasastri, K.S) .2003)، Estimating actual evapotranspiration from limited climatic data using neural computing technique. J. of Irrig. Drain. Eng. ASCE. 129: 3. 214-218.
  • Trajkovic, S., B. Todorovic and M. Standkovic) .2003،( Forecasting of reference evapotranspiration by artificial neural network .J. Irrig. And Drain. ASCE.129(6):454-457.

 

  • Tzimopoulos, C., Mpallas, L., and Papaevangelou, G. (2008)،Environmental Science and Technology. 1:4. 181-186. 
  • Tezel، Buyukyildiz،M.2015. Monthly evaporation forecasting using artificial neural networks and support vector machines، Theor Appl Climatol.
  • Wang, Y.M, Traore, S., and Kerh, T. (2008)،28- Neural network approach for estimating reference evapotranspiration from limited climatic data in Burkina Faso. WSEAS Transactions on Computers. 7: 704-713.
آمار
تعداد مشاهده مقاله: 851
تعداد دریافت فایل اصل مقاله: 509


سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب