ارزیابی کارآیی دو نرم افزار شبکه عصبی مصنوعی در پیش بینی تبخیر- تعرق گیاه مرجع
محل انتشار: فصلنامه دانش آب و خاک، دوره: 19، شماره: 1
سال انتشار: 1388
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 191
فایل این مقاله در 12 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_WASO-19-1_002
تاریخ نمایه سازی: 15 اسفند 1401
چکیده مقاله:
در این تحقیق، کارائی دو نرمافزارشبکه عصبی مصنوعی (ANN) در برآورد تبخیر-تعرق گیاه مرجع (ET۰) بررسی گردید. بدین منظور از دادههای ۲ 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 (R۲) استفاده شد. با اجرای نرمافزار NS آرایش مطلوب با ویژگی حداقل RMSE، MAE و حداکثر R۲ در مقایسه با ارقام مشاهداتی (لایسیمتری) به ترتیب معادل ۰۸/۰ (میلی متر در روز)، ۰۷/۰ (میلی متر در روز) و ۸۷/۰ 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.
کلیدواژه ها:
نویسندگان
حمید زارع ابیانه
دانشکده کشاورزی، دانشگاه بوعلی سینا
عادل قاسمی
دانشکده کشاورزی، دانشگاه بوعلی سینا
مریم بیات ورکشی
دانشکده کشاورزی، دانشگاه بوعلی سینا
کوروش محمدی
دانشکده کشاورزی، دانشگاه تربیت مدرس
علی اکبر سبزی پرور
دانشکده کشاورزی، دانشگاه بوعلی سینا
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 :