آمار
| تعداد نشریات | 41 |
| تعداد شماره‌ها | 1,129 |
| تعداد مقالات | 13,873 |
| تعداد مشاهده مقاله | 48,832,519 |
| تعداد دریافت فایل اصل مقاله | 12,576,933 |
برآورد مقدار تبخیر با استفاده از شبکه عصبی مصنوعی و الگوریتم ژنتیک (مطالعه موردی: ایستگاه تبریز) | ||
| نشریه علمی جغرافیا و برنامه ریزی | ||
| مقاله 4، دوره 23، شماره 68، شهریور 1398، صفحه 71-90 اصل مقاله (664 K) | ||
| نوع مقاله: مقاله علمی پژوهشی | ||
| نویسندگان | ||
| علی محمد خورشیددوست1؛ حمید میرهاشمی2؛ موسی نظری1 | ||
| 1دانشگاه تبریز | ||
| 2دانشگاه لرستان | ||
| چکیده | ||
| به سبب تأثیر متقابل عناصر هواشناختی در محاسبه قدرت تبخیر جو، تخمین آن یک کار پیچیده و غیر خطی است. لذا برای تخمین آن باید از مدل‌های پیشرفته ریاضی استفاده نمود. در این مطالعه جهت برآورد قدرت تبخیر جو در سطح ایستگاه تبریز از شبکه‌های عصبی مصنوعی بر پایه دو الگوریتم آموزشی لونبرگ ـ مارکوئت و الگوریتم ژنتیک، رگرسیون خطی چند متغیره و معادله پنمن ـ فائو استفاده شده است. بر این اساس در مدل شبکه عصبی با اتخاذ یک و دو لایه پنهان و دو تابع فعال‌سازی تان‌سیگمویید و لوگ‌سیگمویید، 56 مدل شبکه عصبی تولید شد. ارزیابی و مقایسه نتایج این مدل‌ها براساس معیارهای چون ضریب تعیین و مجذور میانگین مربعات خطا نشان داد که دقت مدل‌ها بستگی به نوع تابع محرک، نوع الگوریتم آموزشی، تعداد لایه‌های پنهان و تعداد نرون‌های اتخاذ شده دارد. از سوی نتایج نشان داد که در مدل‌های تک لایه، دقت وزن‌دهی الگوریتم ژنتیک برای هر دو تابع فعال‌ساز بیش از الگوریتم لونبرگ ـ مارکوئت است. از سویی در مدل‌های با دو لایه پنهان دقت وزن‌دهی الگوریتم آموزشی لونبرگ مارکوئت بیش از الگوریتم ژنتیک بوده؛ به طوری که دقیق‌ترین مدل شبکه با آرایش 5-7-7-1 با مجذور میانگین مربعات خطای 227/0 میلیمتر بر اساس الگوریتم آموزشی لونبرگ مارکوئت و دو لایه پنهان و تابع فعال‌سازی تان سیگمویید تولید شده بود. همچنین مجذور میانگین مربعات خطای مدل رگرسیون خطی چند متغیره و معادله پنمن ـ فائو به ترتیب به مقدار 79/0 و 34/1 بدست آمد. بنابراین مدل شبکه عصبی در قیاس با دو مدل مذکور دارای کارایی بهتر، ضریب دقت بیشتر و مقدار خطای کمتری جهت پیش بینی مقدار تبخیر ایستگاه تبریز است. | ||
| کلیدواژه‌ها | ||
| تبریز؛ قدرت تبخیر جو؛ شبکه عصبی مصنوعی؛ رگرسیون چند متغیره | ||
| مراجع | ||
|
- ثنایی‌نژاد سید حسین؛ نوری، سمیرا و هاشمی نیا، سید مجید (1390)، برآود تبخیر ـ تعرق واقعی با استفاده از تصاویر ماهواره‌ای در منطقه مشهد. نشریه آب و خاک (علوم صنایع و کشاورزی) مشهد، جلد 25، شماره 3، صص 547-540. - جهانبخش، سعید؛ موحددانش، علی اصغر و مولوی، واحد (1380)، تحلیل مدل‌های برآورد تبخیر ـ تعرق برای ایستگاه هواشناسی تبریز، مجله دانش کشاورزی، جلد11، شماره 2. صص 51- 65. - دانشفراز، رسول (1394)، تحلیل حساسیت پارهای موثر بر میزان تبخیر روزانه با استفاده از الگوریتم Garson و شبکه عصبی مصنوعی (مطالعه موردی: شهر تبریز)، نشریه جغرافیا و برنامه‌ریزی دانشگاه تبریز، شماره 54، صص 142-127. - رحمیی خوب، علی و محمودی، علی (1390) برآورد تبخیر ـ تعرق واقعی از سطح حوضه آبریز با استفاده از مدل‌های شبکه عصبی و حداقل داده‌های هواشناسی ـ مطالعه موردی حوضه معرف امامه، نشریه تحقیقات منابع آب، شماره 4، صص 61-51. - رمنیراس، ژان (1363)، اصول هیدرولوژی مهندسی، جلد اول، برگردان حسین صدقی، انتشارات مرکز نشر و ترجمه امور آب وزارت نیرو ـ تهران، چاپ سوم. - سلطانی، جابر؛ مقدم نیا، علیرضا؛ پیری، جمشیو؛ میرمرادزهی، جواد (1392)، 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 مشهد، شماره 2، صص 381-393. - قبائی‌سوق، محمد؛ مساعدی ابوالفضل، حسام؛ و هزار جریبی ابوطالب، موسی (1389)، ارزیابی تأثیر پیش پردازش پارامترهای ورودی به شبکه عصبی مصنوعی با استفاده از روش‌های رگرسیون گام به گام و گاما تست به منظور تخمین سریع تر تبخیر ـ تعرق روزانه، نشریه آب و خاک، شماره 3، صص 624-610. - کوچک‌زاده، مهدی و بهمنی، عارف (1384)، ارزیابی عملکرد شبکه‌های عصبی مصنوعی در کاهش پارامترهای مورد نیاز، جهت برآورد تبخیر و تعرق، مجله علوم کشاورزی، صص 87-96. - نوری، سمیرا؛ قالهری، غلامعباس و ثنایی‌نژاد، سید حسین (1392)، مدل‌سازی تبخیر ـ تعرق گیاه پتانسیل با استفاده از شبکه عصبی مصنوعی با حداقل متغیرهای اقلیمی در ایستگاه سینوپتیک مشهد، نشریه پژوهش‌های حفاظت آب و خاک، شماره 5، 178-163. - ولیزاده کامران، خلیل (1393)، برآورد تبخیر تعرق پتانسیل در آذربایجان شرقی به روش استفنز با استفاده از GIS، نشریه جغرافیا و برنامه‌ریزی دانشگاه تبریز، شماره 49، صص 334-317.
- Rosen, B.E. and Goodwin, J.M. 1997. Optimizing Neural Networks Using Very Fast Simulated Annealing, Neural, Parallel & Scientific Computation, 383–392.
- Landeras, G., Ortiz-Barredo, A. and Lopez, J. J., 2008, Comparison of artificial neural network models and empirical and semi-empirical equations for daily reference evapotranspiration estimation in the Basque Country (Northern Spain), Journal of Agricultural Water Management, 95, 553– 565.
-Sanford, W.A., Selnick, D.L., 2013, Estimation of Evaportranspirtion across the conterminous United State using a regression with climate and land-cover data, J: American Water Resources Association, Vol: 49, No 1: 217-230.
-Trajkovic, S., Todorovic, B., and Stankovic, M. 2003. Forecasting of reference evapotranspiration by artificial neural networks. J. of Irrig. Drain. Eng. ASCE. 129: 6. 454-457. | ||
|
آمار تعداد مشاهده مقاله: 470 تعداد دریافت فایل اصل مقاله: 335 |
||
