تعداد نشریات | 44 |
تعداد شمارهها | 1,298 |
تعداد مقالات | 15,883 |
تعداد مشاهده مقاله | 52,116,584 |
تعداد دریافت فایل اصل مقاله | 14,887,932 |
ارزیابی کارآیی دو نرمافزار شبکه عصبی مصنوعی در پیشبینی تبخیر- تعرق گیاه مرجع | ||
دانش آب و خاک | ||
مقاله 15، دوره 19، بهار و تابستان، تیر 1388، صفحه 201-212 اصل مقاله (233.92 K) | ||
نوع مقاله: مقاله پژوهشی | ||
نویسندگان | ||
حمید زارع ابیانه* 1؛ عادل قاسمی1؛ مریم بیات ورکشی1؛ کوروش محمدی2؛ علیاکبر سبزیپرور1 | ||
1دانشکده کشاورزی، دانشگاه بوعلیسینا | ||
2دانشکده کشاورزی، دانشگاه تربیت مدرس | ||
چکیده | ||
در این تحقیق، کارائی دو نرمافزارشبکه عصبی مصنوعی (ANN) در برآورد تبخیر-تعرق گیاه مرجع (ET0) بررسی گردید. بدین منظور از دادههای 2 سال لایسیمتری به عنوان ارقام شاهد برای ارزیابی استفاده شده و دو نرمافزار مرسوم NS وNW با قابلیت بهکارگیری آلگوریتمهای متفاوت، بهکار رفت. جهت ارزیابی اجرای دو نرمافزار برای آرایشها، قواعد یادگیری و توابع محرک مختلف، از شاخصهای آماری جذر میانگین مربعات خطا (RMSE)، میانگین خطای مطلق (MAE) و ضریب تعیین (R2) استفاده شد. با اجرای نرمافزار NS آرایش مطلوب با ویژگی حداقل RMSE، MAE و حداکثر R2 در مقایسه با ارقام مشاهداتی (لایسیمتری) به ترتیب معادل 08/0 (میلی متر در روز)، 07/0 (میلی متر در روز) و 87/0 بدست آمد. نتایج تحقیق نشان داد نرمافزار NS با آرایش مطلوب که ویژگی مدل آموزشی گرادیان مزدوج و تابع محرک سیگمویید را دارا باشد، نسبت به نرمافزار NW با توجه به تعداد تکرار کمتر و زمان محاسباتی کوتاهتر برتری دارد. نتایج نشان داد وجود دو لایه پنهان نسبت به یک لایه پنهان بر دقت تبخیر-تعرق برآورد شده از نرمافزار، تاثیری نداشت. بررسی حساسیت مدل شبکه عصبی مصنوعی نشان داد که تبخیر- تعرق بیشترین وابستگی را به حداکثر دمای هوا و کمترین وابستگی را به حداقل رطوبت نسبی دارد. | ||
کلیدواژهها | ||
تبخیر- تعرق گیاه مرجع؛ دمای هوا؛ رطوبتسنجی؛ شبکه عصبی مصنوعی | ||
مراجع | ||
پلنگی ج، معاضد ه و طارقیان ر، 1385. تخمین تبخیر و تعرق گیاه مرجع با استفاده از شبکههای عصبی در اهواز. همایش ملی مدیریت شبکه های آبیاری و زهکشی، دانشگاه شهید چمران اهواز. تفضلی ف، سبزیپرور ع ا، زارعابیانه ح، مریانجی ز و موسوی بایگی م، 1386. ارزیابی مدل های رایج تبخیر و تعرق در اقلیم سرد نیمه خشک به منظور استفاده بهینه از مدل های تابش. چکیده مقالات نهمین سمینار آبیاری و کاهش تبخیر دانشگاه شهید باهنر کرمان. صفحات 15-16. تقوی ف و محمدی ح، 1386. بررسی دوره بازگشت رویدادهای اقلیمی حدی به منظور شناخت پیامدهای زیست محیطی. مجله محیط شناسی. سال 33. شماره 43. صفحات 20-11. حسینی س م ط، سیوسهمرده ع، فتحی پ و سیوسهمرده م، 1386. کاربرد شبکههای عصبی و رگرسیون چند متغیره در برآورد عملکرد گندم دیم منطقه قروه استان کردستان. مجله پژوهش کشاورزی: آب، خاک و گیاه در کشاورزی. جلد 7. شماره 1. صفحات 41-53. حقوردی ا، محمدی ک و سبزیپرور ع ا، 1386. برآورد تبخیر تعرق با شبکههای پرسپترون چند لایه- مطالعه موردی همدان. چکیده مقالات نهمین سمینار آبیاری و کاهش تبخیر دانشگاه شهید باهنر کرمان. صفحه 3. حقوردی ا، محسنی موحد ا و محمدی ک، 1386. تخمین میزان تبخیر از تشتک با استفاده از مدلهای شبکههای عصبی مصنوعی. چکیده مقالات نهمین سمینار آبیاری و کاهش تبخیر دانشگاه شهید باهنر کرمان. صفحه 2. شایاننژاد م، 1385. مقایسه دقت روشهای شبکههای عصبی مصنوعی و پنمن – مانتیس در محاسبه تبخیر و تعرق پتانسیل. همایش ملی مدیریت شبکههای آبیاری و زهکشی، دانشگاه شهید چمران اهواز. طهماسبی ع ر و زمردیان س م ع، 1383. برآورد پتانسیل روانگرایی خاکها با استفاده از شبکه عصبی مصنوعی. دومین کنفرانس ملی دانشجوئی منابع آب و خاک. دانشگاه شیراز. قاسمی ع، زارع ابیانه ح، امیری چایجان ر و محمدی ک،1386. ارزیابی دقت روش شبکههای عصبی مصنوعی و معادلات تجربی در محاسبه تبخیر-تعرق پتانسیل در استان همدان. چکیده مقالات نهمین سمینار آبیاری و کاهش تبخیر دانشگاه شهید باهنر کرمان. صفحه 17. کارآموز م، رحیمی فراهانی م ومریدی ع، 1385. پیشبینی بلند مدت بارش با استفاده از سیگنالهای هواشناسی و کاربرد شبکههای عصبی مصنوعی منطقه جنوب شرق ایران. مجموعه مقالات دومین کنفرانس مدیریت منابع آب دانشگاه صنعتی اصفهان. مجرد ف، قمرنیا ه و نصیری ش، 1383. مطالعه تطبیقی روشهای برآورد تبخیر- تعرق پتانسیل در جلگه مازندران. نیوار. شمارههای 54 و 55. صفحات 95-77. منهاج م ب، 1377. مبانی شبکههای عصبی. چاپ اول. مرکز نشر پرفسور حسابی. تهران. میثاقی ف و محمدی ک، 1383. پیشبینی تغییرات کیفیت آب رودخانه زاینده رود با استفاده از شبکههای عصبی مصنوعی. دومین کنفرانس ملی دانشجوئی منابع آب و خاک. دانشگاه شیراز. Arca B, Benincasa F, De Vincenzi M and Ventura A, 1998. Neural network to simulate evaporation from Class A pan. Proceedings of the 23rd Conference of agricultural and forest meteorology. New Mexico, 258-288. Anonymous, 1992. Software Reviews. NeuralWorks Professional II/PlusPublisher: NeuralWare Inc., Penn. Center West. Social Science Computer 10: 407-409.
Anonymous, 1994. NeuroSolutions: Premier Neural Network Development Environment [Online]. http://www.neurosolutions.com Bruton JM, McClendon RW and Hoogenboom G, 2000. Estimating daily pan evaporation with artificial neural network. Trans. ASAE 43(2): 492-496.
Cannon AJ and Whitfield PH, 2002. Down scaling recent stream-flow conditions in British Columbia, Canada using ensemble neural networks. J Hydro 259: 136-151.
Chan KK, Spedding TA, 2003. An integrated multidimensional process improvement methodology for manufacturing systems. Computers & Industrial Eng 44: 673–693.
Hecht-Nielsen R, 1987. Kolmogorov's mapping neural network existence theorem, IEEE International Conference on Neural Networks, SOS Printing, San Diego Vol. 3. pp. 11--14.
Kisi O, 2006. Evapotranspiration estimation using feed-forward neural network. Nordic Hydrology 37(3): 247-260.
Kumar M, RaghuwanshiNS, Singh R, Wallender WW and Pruitt WO, 2002. Estimating evapotranspiration using artificial neural networks. J Irr and Drainage Eng. ASCE 128(4): 224-233.
Nasseh S, Mohebbi A, Sarrafi A and Taheri M, 2009. Estimation of pressure drop in venturi scrubbers based on annular two-phase flow model, artificial neural networks and genetic algorithm. J Chemical Eng. 150: 131–138.
Trajkovic S, Todorovic B and Standkovic M, 2003. Forecasting of reference evapotranspiration by artificial neural network. J Irr and Drainage Eng. ASCE 129(6): 454-457.
Zanetti SS, Sousa EF, Olivera VPS, Almeida FT and Bernardo S, 2007. Estimating evapotranspiration using artificial neural network and minimum climatologically data. J Irr and Drainage Eng ASCE 133 (2): 83-89. | ||
آمار تعداد مشاهده مقاله: 3,011 تعداد دریافت فایل اصل مقاله: 1,903 |