آمار
| تعداد نشریات | 44 |
| تعداد شماره‌ها | 1,353 |
| تعداد مقالات | 16,546 |
| تعداد مشاهده مقاله | 53,680,273 |
| تعداد دریافت فایل اصل مقاله | 16,169,710 |
مقایسه عملکرد شبکههای عصبی RBF و MLP در برآورد تبخیر و تعرق گیاه مرجع | ||
| دانش آب و خاک | ||
| مقاله 1، دوره 19، بهار و تابستان، تیر 1388، صفحه 1-12 اصل مقاله (205.76 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| نویسندگان | ||
| حبیب صیادی؛ ابوالفتح اولاد غفاری؛ احد فعالیان؛ علی اشرف صدرالدینی* | ||
| دانشکده کشاورزی دانشگاه تبریز | ||
| چکیده | ||
| تبخیر و تعرق یکی از اجزای اصلی چرخه‌ی هیدرولوژی است. این فرایند پیچیده به عوامل متعدد اقلیمی وابسته است. شبکههای عصبی مصنوعی در چند دهه‌ی اخیر و در مطالعات صورت گرفته برای مدل‌سازی سیستم‌های پیچیده و غیر خطی قابلیت بسیار بالایی از خود نشان داده‌اند. در تحقیق حاضر امکان استفاده از شبکههای با تابع پایه‌ی شعاعی (RBF) و شبکههای پرسپترون چند لایه (MLP) برای تخمین تبخیر و تعرق گیاه مرجع مورد مطالعه قرار گرفته است. با استفاده از سری داده‌های هواشناسی سال‌های 1383-1330 ایستگاه تبریز، ابتدا مقادیر متوسط تبخیر و تعرق ماهانه‌ی گیاه مرجع از روش استاندارد پنمن – مونتیث (PM)، محاسبه شد. سپس با استفاده از این مقادیر به عنوان خروجی‌های هدف، شبکههای مختلفی با ساختار متفاوت تعریف و آموزش داده شد. در نهایت قابلیت شبکه برای تخمین تبخیر و تعرق با استفاده از قسمتی از داده‌ها که در طراحی و یا آموزش شبکه استفاده نشده‌اند، مورد بررسی قرار گرفت. با بررسی‌های انجام گرفته مشخص شد که تنها با استفاده از دو پارامتر دمای میانگین و سرعت باد به عنوان ورودی، می‌توان میزان تبخیر و تعرق گیاه مرجع را با استفاده از این دو نوع شبکه با دقت قابل قبولی (4081/0RMSE< و 976/0 R2> برای مجموعه‌ی صحت‌سنجی) تخمین زد. همچنین با مقایسه‌ی نتایج حاصل از دو شبکه مشخص شد که شبکههای MLP نسبت به RBF در تخمین تبخیر و تعرق گیاه مرجع از دقت نسبتاً بیشتری برخوردارند و تنها مزیت شبکههای RBF زمان کمتر مورد نیاز برای آموزش است. | ||
| کلیدواژه‌ها | ||
| تبخیر و تعرق گیاه مرجع؛ روش پنمن – مونتیث؛ شبکههای با تابع پایه‌ی شعاعی؛ شبکههای پرسپترون چند لایه | ||
| مراجع | ||
|
سلطانی س و مرید س، 1384. مقایسه برآورد تابش خورشید با استفاده از روشهای هارگریوز – سامانی و شبکههای عصبی مصنوعی. دانش کشاورزی، جلد 15، شماره 1. صفحههای 69-78. Allen RG, Pereira LS, Raes D and Smith M, 1998. Crop evapotranspiration, guideline for computing water requirements. Irrigation Drainage Paper No.56. FAO, RomeItaly. Anonymous, 2007. Neural network toolbox 5, User's guide, 9th printing version 5. The Mathworks Inc. Massachusetts, USA. BasheerIA and Hajmeer M, 2000. Artificial neural networks: fundamentals, computing, design, and application. J Microbiologic Meth 43: 3-31. Chiew FHS, Kamaladassa NN, Malano HM and MacMahon TA, 1995, Penman-Monteith, FAO-24 reference crop evapotranspiration and class-A pan data in Australia. Agric Water Manage 28: 9-21. Haykin S, 1999. Neural networks: A comprehensive foundation. NJ. Prentice-Hall Inc. Englewood Cliffs. JainSK, Singh VP and van Genuchten MTh, 2004. Analysis of soil water retention data using artificial neural networks. J Hydrol Engin ASCE. 9 (5): 415-420. Kumar M, RaghuwanshiNS, Singh R, Wallender, WW and Pruitt WO, 2002. Estimating evapotranspiration using artificial neural network. J Irrig Drain Engin ASCE 128 (4): 224-233. Rahimi Khoob A, 2008. Comparative study of Hargreaves’s and artificial neural network’s methodologies in estimating reference evapotranspiration in a semiarid environment. Irrigation Science 26: 253-259. Sudheer KP and JainSK, 2003. Radial basis function neural network for modeling rating curves. J Hydrol Engin ASCE 8 (3): 161-164. Zanetti SS, Sousa EF, Oliveira VPS, Almeida FT and Bernardo S, 2007. Estimating evapotranspiration using artificial neural network and minimum climotological data. J Irrig and Drain Engin ASCE 133 (2): 83-89. | ||
|
آمار تعداد مشاهده مقاله: 3,855 تعداد دریافت فایل اصل مقاله: 1,467 |
||