پیش بینی تبخیر- تعرق پتانسیل ماهانه با استفاده از مدل های ماشین بردار پشتیبان، برنامه ریزی ژنتیک و سیستم استنتاج عصبی – فازی

سال انتشار: 1396
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 378

فایل این مقاله در 16 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_WATER-7-3_010

تاریخ نمایه سازی: 15 تیر 1398

چکیده مقاله:

  چکیده علی­رغم اهمیت تبخیر-تعرق در برنامه­ریزی و مدیریت منابع آبی، وابستگی آن به مولفه­های اقلیمی از یک­سو و تاثیرپذیری این مولفه­ها از یکدیگر از سویی دیگر تخمین تبخیر-تعرق را دشوار ساخته است. به همین منظور، در این پژوهش، به بررسی امکان پیش­بینی این مولفه­ی مهم در استان سیستان و بلوچستان با استفاده از مدل های فراابتکاری از قبیل سیستم استنتاج عصبی – فازی، برنامه ریزی بیان ژن و ماشین بردار پشتیبان پرداخته شد. در این راستا، ابتدا بر اساس رابطه­ی فائو پنمن-مانتیث، میزان تبخیر-تعرق پتانسیل  ماهانه در چهار ایستگاه سینوپتیک زاهدان، زابل، ایرانشهر و چابهار  با استفاده از داده­های هواشناسی ماهانه برای یک دوره 30 ساله محاسبه گردید که این مقادیر به عنوان مرجع برای مقایسه نتایج مدل های مورد مطالعه در تحقیق استفاده گردید. در این تحقیق با توجه به تعداد پارامترهای در نظر گرفته شده برای مدلسازی از 5 الگو استفاده شده است . الگوی 1 شامل ورودی های متوسط دمای هوا، ساعات آفتابی و رطوبت نسبی در یک ماه مشخص، الگوی 2 شامل متوسط دمای هوا، رطوبت نسبی و سرعت باد در همان ماه، الگوی 3 شامل متوسط دمای هوا، رطوبت نسبی و سرعت باد در همان ماه، الگوی 4 شامل متوسط دمای هوا، رطوبت نسبی، سرعت باد و  ساعات آفتابی در همان ماه و الگوی 5 شامل متوسط دمای هوا، رطوبت نسبی، سرعت باد و  ساعات آفتابی در همان ماه و یک ماه قبل میباشد. مقایسه­ی نتایج در مدل­های مختلف بر اساس آماره­های ضریب تبیین و جذر میانگین مربعات خطا صورت گرفت. با توجه به نتایج مشاهده می­شود در مدل نروفازی در ایستگاه زاهدان الگوی 2، در ایستگاه زابل و چابهار الگوی 3 و در ایستگاه ایرانشهر الگوی 5  با مقادیر ضریب تبیین به ترتیب 945/0، 982/0، 26/0 و 443/0 از دقت بیشتری برخوردار هستند. همچنین بررسی نتایج در مدل برنامه ریزی بیان ژن نشان دهنده این است که در بخش آزمون الگوی 4 از بقیه الگو­ها با ضریب تبیین 974/0، 9811/0، 982/0 و 815/0 در ایستگاه های زاهدان، زابل، ایرانشهر و چابهار دارای دقت بالاتری می­باشد. در مدل ماشین بردار پشتیبان نیز با توجه به مقادیر ضریب تبیین ایستگاه­های زاهدان، زابل، ایرانشهر و چابهار با مقادیر 997/0، 998/0، 998/0 و 979/0 در بخش آزمون در همه ایستگاه­ها  الگوی 5 از دقت بهتری برخوردار می باشد. مقایسه بین 3 مدل  در این تحقیق نیز نشان داد که در همه ایستگاه­ها  مدل ماشین بردار پشتیبان در مرتبه اول و سپس مدل برنامه ریزی بیان ژن و در آخر مدل نروفازی برای تخمین مقادیر تبخیر-تعرق پتانسیل ماهانه قرار دارند

کلیدواژه ها:

واژه های کلیدی: پارامترهای اقلیمی ، مدل سازی ، روش پنمن – مانتیث ، سیستان و بلوچستان

نویسندگان

ام البنی محمدرضاپور

گروه مندسی آب، دانشگاه زابل، زابل، 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 :
  • بابامیری، ا. و ی. دین پژوه. 1393. مقایسه و واسنجی ... [مقاله ژورنالی]
  • شایان نژاد، م. 1385. مقایسه روش های شبکه های عصبی ...
  • شادمانی،م و ص. معروفی.1390.مقایسه چند روش برآورد تبخیر روزانه از ...
  • کولائیان،ع.، م. غلامی سفید کوهی و م. ضیاتباراحمدی.1392. ارزیابی روش ...
  • محمدرضاپور،ا.، ا. امینی و ف. کاراندیش. 1394. مدل سازی تبخیر- ... [مقاله ژورنالی]
  • نجفی،م.، و. عظیمی و م. شایان نژاد.1393. ارزیابی دقت روش ...
  • یار احمدی. ج. و ع. رحیمی خوب. 1393 . اصلاح ... [مقاله ژورنالی]
  • Aytac, G and T. Seydou. 2012. Regional-Specific Numerical Models of ...
  • Ghorbani, M., J. Shiri and  H. Kazemi. 2010. Estimating Maximum, ...
  • Gulay Tezal and Buyukyildiz. 2015. Modeling of daily pan evaportation ...
  • Guo, x., X. Sun and X. Ma. 2011. Prediction of ...
  • Guven, A. And O. Kişi. 2011. Daily pan evaporation modeling ...
  • Kisi, O. 2007. Adaptive neurofuzzy computing technique for Evapotranspiration Estimation. ...
  • Kisi, O. and M.  Zounemat-Kermani. 2014.Comparison of Two Different Adaptive ...
  • Koza, J. 1992. Genetic Programming: On the Programming of Computers ...
  • Remesan, R., M. A. Shamim, and D. Han. 2008. Model ...
  • Shirsath P.B. and A.K. Singh. 2010. A comparative study of ...
  • Shiri, j., O. Kişi, G. Landeras, J. López and A.H. ...
  • Terzi, O. 2013. Daily pan evaporation estimation using gene expression ...
  • Wang, W. C. and W. L. Men. 2008. Online prediction ...
  • نمایش کامل مراجع