حمید زارع ابیانه؛ مریم بیات ورکشی
چکیده
چکیده
از دیرباز معادله های متنوعی برای تعیین رواناب به منظور مدیریت منابع آب توسط پژوهش گران ارایه شده که کاربرد گسترده ای در علوم هیدرولوژی دارند. در پژوهش حاضر با بهره گیری از داده های مشاهده ای، کاربرد مدل های تجربی، شبکه عصبی مصنوعی (ANN) و شبکه عصبی-فازی (CANFIS) در برآورد رواناب بررسی شد. بدین منظور با استفاده از اطلاعات فیزیوگرافی ...
بیشتر
چکیده
از دیرباز معادله های متنوعی برای تعیین رواناب به منظور مدیریت منابع آب توسط پژوهش گران ارایه شده که کاربرد گسترده ای در علوم هیدرولوژی دارند. در پژوهش حاضر با بهره گیری از داده های مشاهده ای، کاربرد مدل های تجربی، شبکه عصبی مصنوعی (ANN) و شبکه عصبی-فازی (CANFIS) در برآورد رواناب بررسی شد. بدین منظور با استفاده از اطلاعات فیزیوگرافی و اقلیمی سه ایستگاه آب سنجی پل زمانخان، قلعه شاهرخ و سد زاینده رود واقع در حوضه زاینده رود، مقادیر رواناب برآورد شده از مدل های تجربی و مدل های هوشمند عصبی با مقادیر رواناب سالانه مقایسه گردید. پارامترهای ورودی شامل متوسط بارش سالانه، متوسط دمای هوا، دمای حداقل و حداکثر هوا بود. نتایج نشان داد مدل های هوشمند عصبی از دقت مناسبی در برآورد رواناب برخوردار بودند. در بین روش های تجربی نیز، روش دی سوزا مناسب تشخیص داده شد. مقایسه شاخص های خطاسنجی بین روش های برگزیده تجربی با مدل های هوشمند عصبی نشان داد میانگین درصد خطای (MPE) در ANN، CANFIS و مدل تجربی دی سوزا به ترتیب 7، 12 و 43 درصد بود که موید اختلاف قابل توجه بین روش ها می باشد. ضمن آن که ترکیب منطق فازی با شبکه عصبی مصنوعی در قالب مدل CANFIS کارایی لازم را در بهبود نتایج شبکه عصبی مصنوعی نداشت. همچنین نتایج این پژوهش نشان داد با کاهش متغیرهای ورودی از 4 پارامتر به یک پارامتر بارش، خطای مدل سازی به حداکثر مقدار خود (از % 7=MPE به % 16=MPE) می رسد. در مقابل ساختار بهینه شبکه عصبی به حذف پارامتر میانگین دمای هوا، حساسیت کمتری (از % 7=MPE به % 10=MPE) نشان داد. بنابراین با توجه به محدودیت اطلاعات مورد نیاز روابط تجربی و دقت بالای مدل های هوشمند، کاربرد مدل عصبی قابل توصیه است.
واژه های کلیدی: برآورد رواناب، روش تجربی، شبکه عصبی مصنوعی، عصبی-فازی، حوضه زاینده رود
علی اکبر سبزی پرور؛ حمید زارع ابیانه؛ مریم بیات ورکشی
چکیده
چکیده
دمای خاک از پارامترهای مهم و تأثیر گذار در کلیه فرآیندهای هیدرولوژی و کشاورزی است که اندازه گیری و پیش بینی آن ضروری است. مطالعاتی که تا کنون در زمینه برآورد دمای خاک در مناطق فاقد داده صورت گرفته همگی به اتفاق از مدل های رگرسیونی جهت برآورد دمای خاک استفاده کرده اند. در این پژوهش ضمن استفاده از مدل های رگرسیونی، با بکارگیری سامانه ...
بیشتر
چکیده
دمای خاک از پارامترهای مهم و تأثیر گذار در کلیه فرآیندهای هیدرولوژی و کشاورزی است که اندازه گیری و پیش بینی آن ضروری است. مطالعاتی که تا کنون در زمینه برآورد دمای خاک در مناطق فاقد داده صورت گرفته همگی به اتفاق از مدل های رگرسیونی جهت برآورد دمای خاک استفاده کرده اند. در این پژوهش ضمن استفاده از مدل های رگرسیونی، با بکارگیری سامانه استنتاج تطبیقی عصبی-فازی4 (ANFIS) به عنوان روشی نوین، به پیش بینی دمای خاک در شش عمق مختلف (5، 10، 20، 30، 50 و 100 سانتی متر) اقدام شد. علاوه براین، مهمترین پارامترهای هواشناسی (دمای بیشینه، دمای کمینه، میانگین دمای روزانه، رطوبت نسبی، ساعات آفتابی و سرعت باد) به عنوان عوامل اثرگذار بر دمای خاک در یک دوره 15 ساله (2006-1992) در ایستگاه های مورد مطالعه معرفی می گردند. مطالعه روی داده‌های هواشناسی 3 ایستگاه سینوپتیک زاهدان، تهران و رامسر که دارای اقلیم متفاوتی می باشند، انجام گرفت. یافته ها حاکی از 4 درصد دقت بیشتر روش ANFIS نسبت به روش آماری رگرسیون بود. همچنین دقت پیش‌بینی دمای خاک با روش ANFIS در دو ایستگاه زاهدان و تهران (اقلیم خشک) به ترتیب 12 درصد و 5/4 درصد بهتر از رامسر (اقلیم مرطوب) بود. مقدار ضریب همبستگی (r) بین دمای خاک پیش بینی شده توسط شبکهANFIS و مدل رگرسیون انتخابی با دمای واقعی خاک، نشان داد که با افزایش عمق خاک مقدار r کاهش می یابد. نتایج همچنین نشان داد که بر خلاف مناطق خشک، در اقلیم مرطوب رامسر با افزایش عمق خاک دقت پیش بینی تا 18 درصد افزایش می یابد، در حالیکه در دو ایستگاه زاهدان و تهران دقت پیش بینی دمای خاک در لایه های کم عمق تا 10 درصد بیشتر از لایه‌های عمیق می باشد.
واژه های کلیدی: دمای خاک، مدل های رگرسیونی، ANFIS، اقلیم خشک، اقلیم مرطوب
حمید زارع ابیانه؛ مریم بیات ورکشی؛ صفر معروفی؛ رضا امیری چایجان
چکیده
چکیده
مطالعه حاضر به منظور استفاده از حداقل پارامترهای هواشناسی در پیش بینی تبخیر تعرق گیاه مرجع در منطقه همدان برای سال های 1376 و 1377 صورت گرفته است. بدین منظور، با استفاده از آزمون پیرسون، شش پارامتر هواشناسی مورد نیاز در روش پنمن مانتیث فائو-56 که شامل دماهای حداکثر و حداقل، مقادیر رطوبت نسبی حداقل و حداکثر، سرعت باد در ارتفاع دو متری ...
بیشتر
چکیده
مطالعه حاضر به منظور استفاده از حداقل پارامترهای هواشناسی در پیش بینی تبخیر تعرق گیاه مرجع در منطقه همدان برای سال های 1376 و 1377 صورت گرفته است. بدین منظور، با استفاده از آزمون پیرسون، شش پارامتر هواشناسی مورد نیاز در روش پنمن مانتیث فائو-56 که شامل دماهای حداکثر و حداقل، مقادیر رطوبت نسبی حداقل و حداکثر، سرعت باد در ارتفاع دو متری و ساعت آفتابی روزانه می شوند، به صورت چهار سناریوی اطلاعاتی با یکدیگر ترکیب و به کاربرده شدند (که تحت عنوان شماره 1، 2، 3 و 4 نام گذاری شدند). با اعمال این سناریوها بر مدل های هوشمند شبکه عصبی مصنوعی (ANN) و سیستم استنتاج تطبیقی عصبی- فازی (ANFIS) در محیط نرم افزاری MATLAB، تبخیر تعرق گیاه مرجع منطقه تخمین گردید. به منظور ارزیابی نتایج هر یک از سناریوهای مورد استفاده، از مقادیر واقعی تبخیر تعرق مرجع (لایسیمتری) استفاده شد. نتایج نشان داد که افزایش تعداد اطلاعات در لایه ورودی لزوماً منجر به بهبود نتایج مدل های هوشمند نمی شود. سناریوی اطلاعاتی شماره 2 که شامل سه پارامتر دمای حداقل و حداکثر هوا و ساعت آفتابی روزانه بود، در هر دو مدل ANN و ANFIS برآوردهای معقول و یکسانی در بر داشت. در این سناریو مقادیر حداقل معیار مجذور میانگین مربعات خطا (RMSE)، میانگین مطلق خطا (MAE) و حداکثر ضریب تعیین (R2) در مرحله آزمایش به ترتیب معادل 09/0 و 07/0 میلی متر بر روز و 90/0 بودند. در مجموع بین نتایج شبکه عصبی مصنوعی و سیستم استنتاج تطبیقی عصبی- فازی از نظر آماره‌های خطاسنجی اختلاف قابل ملاحظه ای مشاهده نشد. ضمن آن که این دو نسبت به نیاز اطلاعاتی در لایه ورودی خود دارای حساسیت یکسان بودند. مدل شبکه عصبی پس از 26 تکرار محاسباتی در مقایسه با سیستم استنتاج تطبیقی عصبی- فازی که با 40 تکرار محاسباتی بود، سریع تر به جواب مناسب دست یافت. همچنین برآوردهای شبکه های عصبی با روش استاندارد پنمن مانتیث نیز مقایسه گردید، که نشان دهنده دقت و توانمندی قابل ملاحظه مدل های هوشمند (RMSE معادل 09/0 میلی متر بر روز) نسبت به روش استاندارد (RMSE معادل 34/0 میلی متر بر روز)، برای تخمین تبخیر تعرق گیاه مرجع می باشد.
واژه‌های کلیدی: تبخیر تعرق گیاه مرجع، آزمون پیرسون، مدل های هوشمند، همدان
حمید زارع ابیانه؛ عادل قاسمی؛ مریم بیات ورکشی؛ صفر معروفی
چکیده
چکیده
تبخیر تعرق به عنوان یکی از مولفه های اصلی در کشاورزی، نقش قابل توجهی در مدیریت منابع آب دارا می باشد. بنابراین استفاده از یک روش دقیق یکی از مراحل اساسی در توسعه کشاورزی، بویژه در مناطق خشک و نیمه خشک می باشد. در این تحقیق به منظور تعیین دقیق تبخیر- تعرق گیاه سیر، با استفاده از اندازه گیری لایسیمتری و شبکه عصبی مصنوعی (ANN)، یک مدل ...
بیشتر
چکیده
تبخیر تعرق به عنوان یکی از مولفه های اصلی در کشاورزی، نقش قابل توجهی در مدیریت منابع آب دارا می باشد. بنابراین استفاده از یک روش دقیق یکی از مراحل اساسی در توسعه کشاورزی، بویژه در مناطق خشک و نیمه خشک می باشد. در این تحقیق به منظور تعیین دقیق تبخیر- تعرق گیاه سیر، با استفاده از اندازه گیری لایسیمتری و شبکه عصبی مصنوعی (ANN)، یک مدل مناسب بدین منظور ارائه شد. بدین منظور از داده های هواشناسی دماهای حداکثر و حداقل هوا، مقادیر رطوبت نسبی حداکثر و حداقل، سرعت باد و ساعات آفتابی روزانه در نرون های لایه ورودی استفاده گردید. اندازه گیری تبخیر-تعرق گیاه سیر به کمک چهار دستگاه لایسیمتر زهکش دار به ابعاد 2×2×2 متر مستقر در ایستگاه کلیماتولوژی دانشکده کشاورزی طی سال های 1385، 1386 و 1387 انجام شد. آماره های مجذور میانگین مربعات خطا (RMSE)، میانگین قدر مطلق خطا (MAE)، انحراف معیار میانگین قدر مطلق خطا (STDMAE) و ضریب تعیین (R2)، به منظور ارزیابی روش های بکار برده شده استفاده گردید. نتایج مبین عملکرد مناسب شبکه عصبی مصنوعی پرسپترون چند لایه با الگوریتم پس انتشار خطا در پیش بینی تبخیر- تعرق گیاه سیر بود. نتایج نشان داد که مقادیر RMSE، MAE، STDMAE و R2 برای آرایش 1-6-6 بر پایه قانون آموزش لونبرگ مارکوات و تابع محرک سیگموئید به ترتیب 088/0 میلیمتر بر روز، 07/0 میلیمتر بر روز، 061/0 میلیمتر بر روز و 88/0 به دست آمد. نتایج نشان داد میانگین روزانه نیاز آبی گیاه سیر معادل 3/8 میلی متر از لایسیمتر و 5/6 میلی متر از شبکه عصبی به دست آمد. بطورکلی، مقایسه عملکرد شبکه ANN با مقادیر لایسیمتری نشان داد که دقت شبکه عصبی مصنوعی در حد قابل قبولی بوده است. همچنین مشخص گردید که مدل مطلوب شبکه عصبی مصنوعی در حالت تغییرات افزایشی نسبت به دمای حداکثر هوا، دارای بیشترین حساسیت و نسبت به پارامتر حداقل رطوبت نسبی، کمترین حساسیت را دارد.
واژه های کلیدی: شبکه های عصبی مصنوعی، تبخیر- تعرق، لایسیمتر، سیر، همدان
