بهبود برآورد تبخیر-تعرق پتانسیل با استفاده از ضریب اصلاحی به کمک مدل درخت تصمیم M۵

سال انتشار: 1393
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 206

فایل این مقاله در 9 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_IDJ-8-1_006

تاریخ نمایه سازی: 25 اردیبهشت 1400

چکیده مقاله:

تبخیر و تعرق از اساسی­ترین اجزای چرخه­ی هیدرولوژی است که تعیین صحیح آن در علوم آب از قبیل مطالعات توازن هیدرولوژیکی، طراحی و مدیریت سیستم­های آبیاری از اهمیت بالایی برخوردار است. پژوهش حاضر امکان بهبود دقت برآورد تبخیر-تعرق به روش هارگریوز-سامانی را بر اساس ضریب اصلاحی k بررسی می کند. این ضریب که نسبت برآورد تبخیر-تعرق با دو روش فائو پنمن-مانتیت (F-P-M) و هارگریوز-سامانی می باشد بر اساس متغیرهای هواشناسی مانند دمای هوا، رطوبت نسبی و دمای نقطه شبنم با استفاده از مدل درختی و شبکه عصبی مصنوعی در سه ایستگاه هواشناسی آستارا، بندر انزلی و رشت برآورد گردید. برای انجام این کار، یک دوره آماری ۳۰ ساله (۱۳۶۰-۱۳۹۰) در نظر گرفته شد و داده ها برای هر ایستگاه بر اساس نسبت ۸۰ به ۲۰ درصد به داده های آموزش و آزمون تقسیم بندی شدند. سپس مقدار k محاسبه شده در تبخیر-تعرق برآورد شده به روش هارگریوز سامانی ضرب شد. نتایج نشان دادکه مدل درختی نسبت به شبکه عصبی مقدار k را بهتر برآورد می کند و با این روش میانگین اختلاف بین مقدار برآورد شده به روش هارگریوز-سامانی و پنمن-مانتیث به ترتیب برای ایستگاه های آستارا، بندرانزلی و رشت از ۴۱/۰، ۵۵/۰ و ۷/۰ به ۳۱/۰، ۳۸/۰ و ۲۸/۰ کاهش می یابد. 

نویسندگان

حسین شریفان

دانشیار گروه مهندسی آب، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران

خلیل قربانی

استادیار گروه مهندسی آب، دانشگاه علوم کشاورزی و منابع طبیعی، گرگان، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • رحیمی خوب، ع.، بهبهانی، س. م. ر. و نظری­فر، م. ...
  • سامتی،م.، قهرمان،ن.، قربانی،خ.۱۳۹۰. کاربرد مدل داده کاوی M۵ در پیش­بینی ...
  • شایان نژاد،م. ۱۳۸۵. مقایسه­ی دقت روش­های شبکه­های عصبی مصنوعی و ...
  • ارزیابی نرم افزار Ref-ET در تعیین تبخیر و تعرق گیاه مرجع [مقاله کنفرانسی]
  • Ahmad,S., Simonovic,S.P. ۲۰۰۵.Anartificial neural network model for generating hydrograph from ...
  • Allen,G.R., Pereira,S.L., Raes,D and Smith,M. ۱۹۹۸. Crop evapotranspiration. Guidelines for ...
  • Bruton,J.M., McClendon,R.W., Hoogenboom, G. ۲۰۰۰. Estimating daily pan evaporation with ...
  • Dayhoff,J.E. ۱۹۹۰. Neural Network Principles, Prentice-Hall International, U.S.ADiamantopoulou,M.J., Georgiou.P.E and ...
  • Hargreaves,G.H. ۱۹۹۴. Defining and using reference evapotranspiration. Journal of Irrigation ...
  • Jain,S.K., Nayak.P.C., Sudheer.K.P. ۲۰۰۸ Models for estimating evapotranspiration using artificial ...
  • Jensen,M.E., Burman,R.D and Allen,R.G. ۱۹۹۰. Evapotranspiration and Irrigation Water Requirement. ...
  • Jensen,D.T., Hargreaves,G.H., Temesgen,B., and Allen,R.G. ۱۹۹۷. Computation of ET۰ under ...
  • Keskin,M.E., Terzi,O. ۲۰۰۶. Artificial neural networks models of daily pan ...
  • Ozgur kisi. ۲۰۰۷.odeling monthly evaporation using two different neural computing ...
  • Quinlan,J.R. ۱۹۹۲. Learning with continuous classes. Proceedings of Fifth Australian ...
  • Slavisa Trajkovic ۲۰۰۹.Comparison of radial basis function networks and empirical ...
  • Witten,I.H and Frank,E. ۲۰۰۵. Data mining: practical machine learning tools ...
  • نمایش کامل مراجع