عدم قطعیت شبکه عصبی مصنوعی در تخمین تبخیر روزانه (مطالعه موردی: ایستگاه های رشت و منجیل)
- سال انتشار: 1398
- محل انتشار: پژوهشنامه مدیریت حوزه آبخیز، دوره: 10، شماره: 19
- کد COI اختصاصی: JR_JWMR-10-19_001
- زبان مقاله: فارسی
- تعداد مشاهده: 380
نویسندگان
Water Resources, University of Tabriz Tabriz university
Water Resources, University of Tabriz Tabriz university
Sari University of Agricultural Sciences and Natural Resources
چکیده
در این تحقیق کاربرد شبکه عصبی پرسپترون چندلایه (MLP) برای پیش بینی تبخیر روزانه در دو ایستگاه سینوپتیک رشت و منجیل واقع در استان گیلان در شمال ایران بررسی گردیده است. ابتدا با استفاده از آزمون گاما مهمترین ترکیب از پارامترهای هواشناسی برای هر دو ایستگاه شناسایی و مدلسازی براساس ترکیب بهینه صورت گرفت. نتایج مدل شبکه عصبی مصنوعی- آزمون گاما (ANN-GT) با استفاده از معیارهای ارزیابی مدل همچون مجذور میانگین مربعات خطا (RMSE) ضریب همبستگی (CC) و ضریب ناش-ساتکلیف (NS) ارزیابی شده است. نتایج نشان داد که مدل (ANN-GT) برای ایستگاه رشت با ضریب همبستگی ۸۶/۰، مجذور میانگین مربعات خطا ۹۵/۰، ضریب ناش-ساتکلیف ۷۴/۰ و ایستگاه منجیل با ضریب همبستگی ۹۴/۰، مجذور میانگین مربعات خطا ۵۸/۱، ضریب ناش-ساتکلیف ۸۹/۰، دارای عملکرد قابل قبولی در پیش بینی تبخیر روزانه می باشد. برای بررسی عدم قطعیت، درصدی از داده های مشاهده شده که در محدوده باند پیشبینی عدم قطعیت ۹۵ درصد (۹۵PPU) قرارگرفته اند (P-factor) و عرض متوسط باند (d-factor) برای مدل، مدنظر قرار داده شد. بنابر نتایج عدم قطعیت، عرض متوسط باند عدم قطعیت (d-factor) برای ایستگاه رشت (۳۰/۰) و برای منجیل (۳۳/۰) برآورد شد. این امر حاکی از عدم قطعیت پایین مدل شبکه عصبی مصنوعی-آزمون گاما (ANN-GT) در پیش بینی تبخیر روزانه برای هر دو ایستگاه می باشد. همچنین درصد داده های مشاهداتی در باند (۹۵PPU) برای رشت ۲۵ و برای منجیل ۴۵ درصد بهدست آمد. دلیل پایین بودن این مقادیر رامی توان، وجود عدم قطعیت های کوچک در پارامترها ذکر کرد.کلیدواژه ها
Artificial neural network, Daily evaporation, Gamma test, Guilan, Uncertainty, آزمون گاما, تبخیر روزانه, شبکه عصبی مصنوعی, گیلان, عدم قطعیتاطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.