بررسی کارایی مدل های غیرپارامتریک در برآورد تبخیر- تعرق سالانه با به کارگیری آزمون گاما در مناطق نیمه خشک ایران

سال انتشار: 1398
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 147

فایل این مقاله در 11 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_IJSWR-50-7_018

تاریخ نمایه سازی: 3 خرداد 1402

چکیده مقاله:

محدودیت منابع آب و رقابت بخش­های مختلف در استفاده از این منابع، نیاز به بهره­برداری بهینه از منابع آب را مخصوصا در مناطق خشک و نیمه خشک افزایش داده است. برای این منظور از آمار و اطلاعات در محدوده شش ایستگاه همدیدی مناطق نیمه خشک ایران شامل مشهد، شیراز، تبریز، کرمانشاه، خرم آباد و ارومیه استفاده شد. متغیرهای ورودی شامل فراسنج­های دمای متوسط (T)، رطوبت نسبی (RH)، ساعت آفتابی (S) و سرعت باد در ارتفاع دو متری (U۲) می­باشند. برای تعیین طول دوره آزمون ابتدا از روش M تست استفاده شد و با توجه به اینکه در انتهای سمت راست نمودارها، هم آماره گاما و هم خطای استاندارد به سمت مجانب شدن می روند، از ۵ سال آخر برای تست مدل­ها استفاده شد. نتایج نشان داد که بر اساس آزمون گاما در حالت ترکیبی بهترین ورودی ها برای ایستگاه­های مشهد، شیراز، تبریز، کرمانشاه، خرم آباد و ارومیه به ترتیب (S، U۲، RH)، (T، U۲، RH، S)، (T، U۲، RH، S)، (T، U۲، RH)، (T، RH، S)، (RH، S)، دارای کم ترین گاما به ترتیب برابر ۰۰۵/۰، ۰۱/۰-، ۰۰۱/۰، ۰۰۲/۰-، ۰۰۸/۰، ۰۰۹/۰ می باشند. برای مدل­سازی تبخیر- تعرق سالانه از روش­های رگرسیون خطی (LLR)، رگرسیون خطی پویا (DLLR)، شبکه عصبی مصنوعیANNCG   وANNBFGS  استفاده شد. برای ارزیابی مدل­های فوق از معیارهای ارزیابی R، MAE، RMSE، MBE، معیار جاکوویدز (t) و معیار صباغ (R۲/t) استفاده شد. نتایج نشان داد که با بهترین ورودی ها بهترین عملکرد برای ایستگاه های مشهد، کرمانشاه، تبریز و شیراز به دست آمد، به طوری­ که ضریب همبستگی پیرسون در دوره تست برای مدل شبکه عصبی (CG) به ترتیب ۹۱/۰، ۹۸/۰، ۹۶/۰، ۹۷/۰ به دست آمد. نتایج  به طور کلی نشان داد که روش های غیرخطی به خوبی توانایی برآورد تبخیر- تعرق سالانه را در ایستگاه های مورد بررسی دارند.

کلیدواژه ها:

تبخیر- تعرق ، روش فائو- پنمن- مانتیث (FAO-PM) ، آزمون گاما ، اقلیم نیمه خشک

نویسندگان

محمد نادریان فر

استادیار، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه جیرفت، جیرفت، ایران

حوریه مرادی

دانشجوی دکتری، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه فردوسی مشهد، مشهد، 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 :
  • Allen, R. G., Pereira, L. S., Raes, D., and Smith, ...
  • Ansari, H. (۲۰۱۳). Daily Pan Evaporation Mode lling With ANFIS ...
  • Doğan, E. (۲۰۰۹). Reference evapotranspiration estimation using adaptive neuro‐fuzzy inference ...
  • Durrant, P. J. (۲۰۰۱). winGamma: A non-linear data analysis and ...
  • Jacovides, C. P. (۱۹۹۷). Reply to comment on Statistical procedures ...
  • Jia Bing, C. (۲۰۰۴). Prediction of daily reference evapotranspiration using ...
  • Jones, A. J., Tsui, A., & De Oliveira, A. G. ...
  • Kişi, Ö., & Öztürk, Ö. (۲۰۰۷). Adaptive neurofuzzy computing technique ...
  • Kisi, O. (۲۰۱۰). Fuzzy genetic approach for modeling reference evapotranspiration. ...
  • Koncar, N. (۱۹۹۷). Optimisation strategies for direct inverse neurocontrol (Doctoral ...
  • Li, Y., Horton, R., Ren, T., & Chen, C. (۲۰۱۰). ...
  • Mousavi baygi, M., Erfanian, M., Sarmad, M. ۲۰۰۹. Using at ...
  • Moghaddamnia, A., Gousheh, M. G., Piri, J., Amin, S., & ...
  • Moghaddamnia, A., Remesan, R., Kashani, M. H., Mohammadi, M., Han, ...
  • Odhiambo, L. O., Yoder, R. E., & Yoder, D. C. ...
  • Odhiambo, L. O., Yoder, R. E., Yoder, D. C., & ...
  • Sabzi parvar, A.A., Taffazoli, F., Zare abiane, H., Banezhad, H., ...
  • Shayan neazhad, M., Sadaty nezhad, S. H., Fahmi, H. (۲۰۰۷). ...
  • Tsui, A.P.M. (۱۹۹۹). Smooth data modelling and stimulus-response via stabilization ...
  • نمایش کامل مراجع