تعداد نشریات | 44 |
تعداد شمارهها | 1,303 |
تعداد مقالات | 16,020 |
تعداد مشاهده مقاله | 52,486,526 |
تعداد دریافت فایل اصل مقاله | 15,213,637 |
برآورد تبخیر از تشت در سه اقلیم متفاوت با استفاده از روش های داده محور | ||
دانش آب و خاک | ||
مقاله 7، دوره 34، شماره 1، فروردین 1403، صفحه 113-132 اصل مقاله (1.66 M) | ||
شناسه دیجیتال (DOI): 10.22034/ws.2023.54068.2498 | ||
نویسندگان | ||
مجتبی ایزدیار1؛ سعید صمدیان فرد* 2؛ ابوالفضل مجنونی هریس3؛ سید علی اشرف صدرالدینی4 | ||
1دانشجوی دکتری، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز | ||
2دانشگاه تبریز | ||
3عضوهیات علمی | ||
4عضو هیأت علمی دانشگاه تبریز | ||
چکیده | ||
تبخیر یکی از پیچیدهترین و مهمترین فرآیندها در بررسی عوامل هیدرولوژیکی و هواشناسی بوده و نقش عمدهای در تعیین معادلات توازن انرژی در سطح زمین دارد. در این راستا و در پژوهش حاضر، توانایی سه روش داده محور درخت گرادیان تقویت شده، مدل خطی تعمیم یافته و پرسپترون چندلایه در برآورد مقدار تبخیر از تشت در سه اقلیم خشک (ایستگاه یزد و بافق)، نیمه خشک (ایستگاه بیرجند و سیاهبیشه) و مرطوب (ایستگاه ساری و فردوس) با استفاده از دادههای هواشناسی به عنوان ورودی مدل مورد بررسی قرار گرفت. از بین متغیرهای موثر، چهار پارامتر دمای میانگین، رطوبت نسبی، سرعت باد و ساعات آفتابی در دوره زمانی بیست ساله (2020-2001) جمعآوری گردید. با توجه به متغیرهای ورودی و میزان همبستگی آنها با پارامتر تبخیر، شش سناریو مختلف از متغیرهای هواشناسی انتخاب شده، تعریف گردید. همچنین برای ارزیابی دقت مدلهای مذکور از چهار معیار ارزیابی جذر میانگین مربعات خطا، میانگین خطای مطلق، ضریب همبستگی و شاخص پراکندگی استفاده گردید. نتایج حاصله نشان داد که در ایستگاههای بیرجند، یزد، فردوس و سیاهبیشه مدل MLP(VI) به ترتیب با جذر میانگین مربعات خطای 97/1، 95/1، 97/1 و 91/2، در ایستگاه ساری مدل MLP(IV) با جذر میانگین مربعات خطای 41/1 و در ایستگاه بافق مدل MLP(V) با جذر میانگین مربعات خطای 92/1 بهترین عملکرد را در برآورد میزان تبخیر از تشت داشتند. در نهایت میتوان چنین نتیجهگیری نمود که در تمامی ایستگاههای مورد مطالعه، روش پرسپترون چندلایه دقیقترین برآوردها را ارئه نمود و به عنوان روشی با دقت بالا پیشنهاد گردید. | ||
کلیدواژهها | ||
آنالیز آماری؛ پرسپترون چندلایه؛ درخت گرادیان تقویت شده؛ متغیرهای هواشناسی؛ مدل خطی تعمیم یافته | ||
مراجع | ||
Afkhami H, Habibipur A and Ekhtesasy M, 1397. Performance assessment of data mining techniques for Forecast for one year evaporation - Case study of Yazd synoptic station. Iranian Journal of Natural Resources 3: 594-579. (In Persian with English abstract).
Khorshiddoost AM, Mirhashemi H and Nazari M, 1398. Evaluation of the performance of artificial neural network and support vector machine models in estimation of daily evaporation amounts - Case study of Tabriz and Maragheh Synoptic Stations. Journal of Geography and Planning 68(23): 71-90 (In Persian with English abstract).
Ghaemi A, Rezaie Balf M, Adamowski J, Kisi O and Quilty J, 2019. On the applicability of maximum overlap discrete wavelet transform integrated with MARS and M5 model tree for monthly pan evaporation prediction. Agricultural and Forest Meteorology 278: 397-428.
Wu L, Haung G, Fan J, Ma X, Zhou H and Zeng W, 2020. Hybrid extreme learning machine with meta-heuristic algorithms for monthly pan evaporation prediction. Computers and Electronics in Agriculture 168: 105-115.
Majhi B and Naidu D, 2021. Pan evaporation modeling in different agroclimatic zones using functional link artificial neural network. Information Processing in Agriculture 8: 134-147.
Mir Mohammad Sadeghi SA, Ghobadniyam M and Rahimian MH, 2018. Estimation of evaporation from Zayandeh-Rood Dam Lake using SEBAL. Water and Soil 33(4): 548-537 (In Persian with English abstract).
Moneskhah V, SamadianFard S and Hadi M, 2019. Evaluation of data mining methods and experimental temperature-radiation-based models in estimating evaporation from the Pan - Case study of the East Lake Urmia. Journal of Water and Soil Research 51(9): 2348-2337 (In Persian with English abstract).
Sharfi M and SamadianFard S, 1400. Prediction of daily evaporation using hybrid support vector regression-firefly optimization algorithm and multilayer perceptron. Journal of Rainwater 9(4): 53-66 (In Persian with English abstract).
Shadkani S, Abbaspour A, Samadianfard S, Hashemi S, Mosavi A and Shamshirband S, 2021. Comparative study of multilayer perceptron-stochastic gradient descent and gradient boosted trees for predicting daily suspended sediment load - Case study of the Mississippi river. US International Journal of Sediment Research 36(4): 512-523.
Qamarnia H, Naseri S, Amini A and Sargardi F, 1400. Comparison of SEBAL algorithm and meteorological data results in estimating daily evaporation from free water surface - Case study of Soleimanshah dam. Environmental and Water Engineering Journal 7(3): 494-506 (In Persian with English abstract).
Farasaty M, Seydian M and Dab K, 1400. Evaporation modeling of free surface water using SVM and LSSVM models. Water and Irrigation 11(3): 288-272 (In Persian with English abstract).
Seifzadeh Kh, 1402. Estimation of daily evaporation from class A pan using five data mining methods - Case study of Tabriz Meteorological Station. MSc Thesis, Tabriz University of Technology. (In Persian with English abstract). | ||
آمار تعداد مشاهده مقاله: 258 تعداد دریافت فایل اصل مقاله: 174 |