مقایسه عملکرد شبکه های عصبی RBF و MLP در برآورد تبخیر و تعرق گیاه مرجع

سال انتشار: 1388
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 114

فایل این مقاله در 12 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_WASO-19-1_016

تاریخ نمایه سازی: 15 اسفند 1401

چکیده مقاله:

تبخیر و تعرق یکی از اجزای اصلی چرخه ی هیدرولوژی است. این فرایند پیچیده به عوامل متعدد اقلیمی وابسته است. شبکه های عصبی مصنوعی در چند دهه ی اخیر و در مطالعات صورت گرفته برای مدل سازی سیستم های پیچیده و غیر خطی قابلیت بسیار بالایی از خود نشان داده اند. در تحقیق حاضر امکان استفاده از شبکه های با تابع پایه ی شعاعی (RBF) و شبکه های پرسپترون چند لایه (MLP) برای تخمین تبخیر و تعرق گیاه مرجع مورد مطالعه قرار گرفته است. با استفاده از سری داده های هواشناسی سال های ۱۳۸۳-۱۳۳۰ ایستگاه تبریز، ابتدا مقادیر متوسط تبخیر و تعرق ماهانه ی گیاه مرجع از روش استاندارد پنمن – مونتیث (PM)، محاسبه شد. سپس با استفاده از این مقادیر به عنوان خروجی های هدف، شبکه های مختلفی با ساختار متفاوت تعریف و آموزش داده شد. در نهایت قابلیت شبکه برای تخمین تبخیر و تعرق با استفاده از قسمتی از داده ها که در طراحی و یا آموزش شبکه استفاده نشده اند، مورد بررسی قرار گرفت. با بررسی های انجام گرفته مشخص شد که تنها با استفاده از دو پارامتر دمای میانگین و سرعت باد به عنوان ورودی، می توان میزان تبخیر و تعرق گیاه مرجع را با استفاده از این دو نوع شبکه با دقت قابل قبولی (۴۰۸۱/۰RMSE< و ۹۷۶/۰ R۲> برای مجموعه ی صحت سنجی) تخمین زد. همچنین با مقایسه ی نتایج حاصل از دو شبکه مشخص شد که شبکه های MLP نسبت به RBF در تخمین تبخیر و تعرق گیاه مرجع از دقت نسبتا بیشتری برخوردارند و تنها مزیت شبکه های RBF زمان کمتر مورد نیاز برای آموزش است.

کلیدواژه ها:

تبخیر و تعرق گیاه مرجع ، روش پنمن – مونتیث ، شبکه های با تابع پایه ی شعاعی ، شبکه های پرسپترون چند لایه

نویسندگان

حبیب صیادی

دانشکده کشاورزی دانشگاه تبریز

ابوالفتح اولاد غفاری

دانشکده کشاورزی دانشگاه تبریز

احد فعالیان

دانشکده کشاورزی دانشگاه تبریز

علی اشرف صدرالدینی

دانشکده کشاورزی دانشگاه تبریز

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 :
  • سلطانی س و مرید س، ۱۳۸۴. مقایسه برآورد تابش خورشید ...
  • Allen RG, Pereira LS, Raes D and Smith M, ۱۹۹۸. ...
  • Anonymous, ۲۰۰۷. Neural network toolbox ۵, User's guide, ۹th printing ...
  • BasheerIA and Hajmeer M, ۲۰۰۰. Artificial neural networks: fundamentals, computing, ...
  • Chiew FHS, Kamaladassa NN, Malano HM and MacMahon TA, ۱۹۹۵, ...
  • Haykin S, ۱۹۹۹. Neural networks: A comprehensive foundation. NJ. Prentice-Hall ...
  • JainSK, Singh VP and van Genuchten MTh, ۲۰۰۴. Analysis of ...
  • Kumar M, RaghuwanshiNS, Singh R, Wallender, WW and Pruitt WO, ...
  • Rahimi Khoob A, ۲۰۰۸. Comparative study of Hargreaves’s and artificial ...
  • Sudheer KP and JainSK, ۲۰۰۳. Radial basis function neural network ...
  • Zanetti SS, Sousa EF, Oliveira VPS, Almeida FT and Bernardo ...
  • نمایش کامل مراجع