کاربرد مدل داده کاوی M5 در پیش پیشبینی تبخیرتعرق پتانسیل (مطالعه موردی :ایستگاه شیراز)

سال انتشار: 1390
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,652

فایل این مقاله در 12 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:

NCAGM01_213

تاریخ نمایه سازی: 7 آذر 1391

چکیده مقاله:

در این مقاله توانایی مدل درختی M5 برای تخمین تبخیرتعرق پتانسیل مورد ارزیابی قرار گرفته است . داده مورد استفاده در آن داده های روزانه ایستگاه هواشناسی شیراز شامل متغیرهای متوسط دمای هوا ، ساعات آفتابی، بارش، دمای نقطه شبنم ، متوسط رطوبت نسبی ، متوسط سرعت باد و فشار بخار واقعی است. متغیرهای خروجی مورد استفاده، تبخیرتعرق پتانسیل روزانه به روشهای پنمن- مونتیث و هارگرویز- سامانی هستند. عملکرد مدل درختی M5 در پیشبینی تبخیرتعرق پتانسیل به وسیلهی این دو روش مورد بررسی قرار گرفت. نتایج نشان داد مدل درختی M5 در تخمین تبخیرتعرق پتانسیل به هر دو روش عملکرد بالایی دارد اما توانایی آن در مدلسازی تبخیرتعرق پنمن- مونتیث (R(2)=0/975, RMSE=0/346) نسبت به روش هارگریوز- سامانی (R(2)=0/837, RMSE=0/844) بالاتر است. مدل درختی نشان میدهد مهمترین پارامتر در تخمین تبخیرتعرق پتانسیل پنمن- مونتیث متوسط دمای روزانه است. آنالیز حساسیت نشان داد در روش پنمن- مونتیث متغیرهای بارش و فشاربخار و در روش هارگریوز متغیرهای بارش و دمای نقطه شبنم تاثیر کمتری دارند.

نویسندگان

مهسا سامتی

دانشجوی کارشناسی ارشد هواشناسی کشاورزی گروه مهندسی آبیاری و آبادانی،

نوذر قرمان

استادیار گروه مهندسی آبیاری و آبادانی،دانشکده مهندسی و فناوری کشاور

خلیل قربانی

استادیارگروه مهندسی آب،دانشگاه علوم کشاورزی و منابع طبیعی گرگان

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 :
  • نخستین کنفرانس ملی هواشناسی و مدیریت آب کشاورزی 1 و ...
  • نخستین کنفرانس ملی هواشناسی و مدیریت آب کشاورزی 1 و ...
  • Amatya, DM. and Skaggs, RW. and Gregory, JD.1995. Comparison of ...
  • Berengena, J. and Gavilan, P.200)5. Reference ev ap otranspiration estimation ...
  • Braha, D. and A. Shmilovici. 2002. Data mining for improving ...
  • Cuadrat JM, y Vicente SM, Saz MA (eds) La Informaci ...
  • Droogers, P. and Allen, RG .2002. Estimating reference evap otranspiration ...
  • Fayyad, U.M. and R. Uthurusamy. 2002. Evolving data mining into ...
  • Goodwin, L., M. and VanDyne, S. Lin and S. Talbert, ...
  • Hargreaves, GL. and Samani, ZA.1982. Estimating potential ev ap otranspiration.J ...
  • Allen, RG.2003. History and evaluation of Hargreaves ...
  • Hargreaves, GH.1994. Defining and using reference evapotran spiration .J Irrig ...
  • Jensen, ME. and Burman, RD. and Allen, RG.1990. Evapotran spiration ...
  • Katul, GG. and Cuenca, RH. and Grebet, P. and Wright, ...
  • Li, S.T. and L.Y.Li Shue. 2004. Data mining to aid ...
  • Martnez-Cob, A.2002. Infraestimaci _ de la ev apotranspiraci _ potencial ...
  • Meyer, SJ. and Hubbard, KG. and Wilhite, DA.1989. Estimating potential ...
  • Pal, M. 2006. M5 model tree for land cover classificatio. ...
  • Quinlan, JR. 1992. Learning with continuous classes. Proceedings of Australian ...
  • Sharma, ML .1985. Estimating ev ap otranspiration _ In: Hillel ...
  • Smith, M. and Allen, R. and Pereira, L.1996. Revised FAO ...
  • Terzi, o. And M.E. Keskin. 2 00 5.Evaporation estimation using ...
  • Ventura, F. and Spano, D. and Duce, P. and Snyder ...
  • Witten, IH. and Frank, E. 2005. Data Mining: Practical Machine ...
  • Xu , CY. and Singh, VP.2001. Evaluation and generalization of ...
  • نمایش کامل مراجع