الهام مهرابی گوهری؛ حمید رضا متین فر؛ روح الله تقی زاده مهرجردی؛ اعظم جعفری
چکیده
طیفسنجی مرئی و مادون قرمز نزدیک (VIS-NIR) به طور گستردهای برای تخمین خصوصیات فیزیکی خاک و اخیرا برآورد بافت خاک استفاده میشود. مطالعه حاضر با هدف پیشبینی احتمالی بافت خاک با استفاده از اندازهگیریهای طیفی و مدلهای شبکه عصبی مصنوعی و رگرسیون حداقل مربعات جزئی انجام گرفته است. بر اساس تکنیک هایپرکیوب، محل 115 پروفیل شناسایی و سپس ...
بیشتر
طیفسنجی مرئی و مادون قرمز نزدیک (VIS-NIR) به طور گستردهای برای تخمین خصوصیات فیزیکی خاک و اخیرا برآورد بافت خاک استفاده میشود. مطالعه حاضر با هدف پیشبینی احتمالی بافت خاک با استفاده از اندازهگیریهای طیفی و مدلهای شبکه عصبی مصنوعی و رگرسیون حداقل مربعات جزئی انجام گرفته است. بر اساس تکنیک هایپرکیوب، محل 115 پروفیل شناسایی و سپس نمونهبرداری از افقهای خاک انجام گرفت، درصد شن و رس و سیلت نمونههای خاک اندازهگیری شد. رگرسیون حداقل مربعات جزئی (PLSR) و شبکه عصبی مصنوعی (ANN) برای مدلسازی درصد رس، شن و سیلت خاک مقایسه شدند. نتایج این بررسی نشان داد که شبکه عصبی مصنوعی نسبت به رگرسیون حداقل مربعات جزئی کارایی بهتری داشت، برای هر دو مدل از محدوده خاصی از طول موج (بین 400 -2450 میکرون با اعمال پیشپردازشها و حذفیات یکسان) استفاده گردید. هنگامی که مدل رگرسیون مربعات جزئی اجرا شد، دقت بسیار پایینی داشت (R2 ~0.1-0.3)، در مقابل، روش شبکه عصبی-مصنوعی مقدار R2 به ترتیب برای رس، شن و سیلت 70/0, 76/0و 73/0 بود و میانگین ریشه مربعات خطا به ترتیب 14/9، 54/5 و 01/7 گرم بر کیلوگرم براساس دادههای آزمون (20 درصد) به دست آمد که نشان دهنده دقت بالاتر و خطای کمتر مدل شبکه عصبی-مصنوعی میباشد. از آنجایی که رابطه بین درصد ذرات خاک و بازتاب طیفی خاک خطی نیست، به نظر میرسد روش شبکه عصبی-مصنوعی برای بررسی و تجزیه و تحلیل رابطه بین اجزای بافت خاک و دادههای طیفی مناسب باشد.
فرشاد احمدی؛ سجاد آیشم؛ کیوان خلیلی؛ جواد بهمنش
چکیده
در مطالعه حاضر بهمنظور پیش بینی تبخیر و تعرق گیاه مرجع با استفاده از دو مدل SVM و ANFIS در مقیاس زمانی ماهانه، 6 ایستگاه سینوپتیک در منطقه شما ل غرب کشور در دوره آماری 38 ساله (2010-1973) انتخاب شد. در ابتدا مقادیر تبخیر و تعرق مرجع ماهانه برای ایستگاه-های منتخب توسط روش فائو- پنمن- مونتیث محاسبه و به عنوان خروجی مدل های SVM و ANFIS در نظر گرفته شد. ...
بیشتر
در مطالعه حاضر بهمنظور پیش بینی تبخیر و تعرق گیاه مرجع با استفاده از دو مدل SVM و ANFIS در مقیاس زمانی ماهانه، 6 ایستگاه سینوپتیک در منطقه شما ل غرب کشور در دوره آماری 38 ساله (2010-1973) انتخاب شد. در ابتدا مقادیر تبخیر و تعرق مرجع ماهانه برای ایستگاه-های منتخب توسط روش فائو- پنمن- مونتیث محاسبه و به عنوان خروجی مدل های SVM و ANFIS در نظر گرفته شد. سپس یک رابطه رگرسیونی بین متغیرهای اقلیمی مختلف موثر در پدیده تبخیر و تعرق به دست آمده و الگوهای مختلف ورودی برای مدل های مورد استفاده مشخص گردید که بر این اساس رطوبت نسبی با داشتن کمترین اثر از ورودی ها حذف گردید. هم چنین در مطالعه حاضر به منظور بررسی اثر حافظه در پیش بینی تبخیر و تعرق از گام های زمانی (تاخیر) یک، دو، سه و چهار ماهانه نیز به عنوان ورودی برای مدل ها استفاده شد. بهطور کلی برای هر مدل 9 الگوی ورودی ایجاد گردید. نتایج حاصله نشان دهنده دقت بالا و خطای کم هر دو مدل در پیش بینی تبخیر و تعرق مرجع ماهانه بوده ولی کارایی مدل SVM کمی بهتر از مدل ANFIS بود. هم چنین زمانی که از حافظه سری زمانی تبخیر و تعرق برای ورودی مدل ها استفاده گردید، نسبت به حالتی که از متغیرهای اقلیمی به عنوان ورودی استفاده شد، دقت کمتر بود.
مهدی قمقامی ورکی؛ جواد بذرافشان
چکیده
امروزه مدل های آماری بسیاری برای شبیه سازی سری زمانی گسسته وقوع و عدم وقوع بارش براساس داده های تاریخی وجود دارد که تاکید آن ها بیشتر بر ساخت آماره های اقلیمی است. با این وجود، دقت مدل های شبیه ساز مذکور باید از نقطه نظر لحظه ای یا کوتاه مدت نیز بهبود یابد. در تحقیق حاضر فرض شده است که ساختار وقوع بارش از مدل مارکف پنهان با یک لایه پنهان ...
بیشتر
امروزه مدل های آماری بسیاری برای شبیه سازی سری زمانی گسسته وقوع و عدم وقوع بارش براساس داده های تاریخی وجود دارد که تاکید آن ها بیشتر بر ساخت آماره های اقلیمی است. با این وجود، دقت مدل های شبیه ساز مذکور باید از نقطه نظر لحظه ای یا کوتاه مدت نیز بهبود یابد. در تحقیق حاضر فرض شده است که ساختار وقوع بارش از مدل مارکف پنهان با یک لایه پنهان (سری گسسته وقوع و عدم وقوع) و یک لایه قابل-رویت تبعیت می کند، که به طور موردی در ایستگاه سینوپتیک خرم آباد (دوره آماری 2005-1961) مورد بررسی قرار گرفت. از الگوریتم ویتربی برای حل مساله رمزگشایی سری زمانی توالی حالات تر و خشک استفاده شد. کارکرد پنج متغیر هواشناسی (فشارهوا در ایستگاه، فشار بخار آب، دامنه شبانه روزی دمای هوا، رطوبت نسبی و دمای نقطه شبنم) به عنوان توالی قابل رویت، براساس معیارهای دقت پیش بینی با هدف انتخاب بهترین متغیر در فرآیند رمزگشایی مورد ارزیابی قرار گرفته است. نتایج نشان داد که متغیر دامنه شبانه روزی دمای هوا به عنوان مناسب ترین توالی قابل-رویت برای رمزگشایی سری گسسته خشک و تر ارزیابی میباشد که می تواند به دلیل وجود ارتباط فیزیکی قوی بین آن ها باشد. همچنین خروجی الگوریتم ویتربی از دو نقطه نظر (آماره های اقلیمی و دقت پیش بینی) با خروجی مولدهای هواشناسی ClimGen و LARS-WG مقایسه شده است که دقت پیش بینی الگوریتم مارکف پنهان مبتنی بر تمامی معیارها بسیار بیشتر از دو مولد هواشناسی است. بر این اساس، جایگزینی الگوریتم ارائه شده در تحقیق حاضر با دو رهیافت دیگر، برای تولید توالی دادههای خشک و تر توصیه می گردد.
احمدعلی کیخا؛ مهدیه مسنن مظفری؛ محمود صبوحی؛ غلامرضا سلطانی
چکیده
مدل سازی جریان رودخانه در برنامه ریزی و مدیریت منابع آب از اهمیت ویژه ای برخوردار است. با این وجود، ایجاد داده هایی که بتواند شباهت زیادی با داده های حقیقی داشته باشد، به دلیل اندک بودن داده های جریان رودخانه و وابستگی و همبستگی ماهانه و سالانه آنها، کاری مشکل و پیچیده است. در این مطالعه از آمار 50 ساله و دو روش خودرگرسیون میانگین متحرک ...
بیشتر
مدل سازی جریان رودخانه در برنامه ریزی و مدیریت منابع آب از اهمیت ویژه ای برخوردار است. با این وجود، ایجاد داده هایی که بتواند شباهت زیادی با داده های حقیقی داشته باشد، به دلیل اندک بودن داده های جریان رودخانه و وابستگی و همبستگی ماهانه و سالانه آنها، کاری مشکل و پیچیده است. در این مطالعه از آمار 50 ساله و دو روش خودرگرسیون میانگین متحرک فصلی و کاپیولاهای فرانک و کلیتون که به ترتیب روش های پیش بینی و شبیه سازی در مدل سازی جریان رودخانه هستند، برای ایجاد داده-های جریان رودخانه هیرمند استفاده شد. نتایج نشان داد، داده های بازسازیشده در روش خودرگرسیون میانگین متحرک مقادیر کم جریان رودخانه را به خوبی پیش بینی می کنند، ولی از همبستگی داده های تاریخی برخوردار نبوده و حداکثر جریان رودخانه را کمتر از حد واقعی نشان می دهند. از طرف دیگر، کاپیولا همبستگی داده های جریان رودخانه را حفظ کرده و مقادیری مشابه داده های واقعی ایجاد می کند. لذا، پیشنهاد می شود از روش کاپیولا برای مدل سازی داده های تصادفی جریان رودخانه هیرمند استفاده شود. به علاوه استفاده از این روش برای شبیه سازی جریان سایر رودخانه ها توصیه می شود. همچنین کاربرد انواع روش های کاپیولا برای مدل سازی جریان رودخانه می تواند موضوع تحقیقات آتی باشد.
سجاد عبداللهی اسدآبادی؛ یعقوب دین پژوه؛ رسول میرعباسی نجف آبادی
چکیده
پیش بینی دبی رودخانه ها یکی از موارد کلیدی در برنامه ریزی و مدیریت منابع آب می باشد. در این مطالعه از دو روش مبتنی بر آنالیز موجک و شبکه عصبی مصنوعی (ANN) به منظور پیش بینی دبی جریان رودخانه بهشت آباد استفاده شد. بدین منظور، داده های دبی متوسط روزانه رودخانه مذکور و اطلاعات بارش روزانه مربوط به 17 ایستگاه هواشناسی در طول دوره آماری 2008-1999 ...
بیشتر
پیش بینی دبی رودخانه ها یکی از موارد کلیدی در برنامه ریزی و مدیریت منابع آب می باشد. در این مطالعه از دو روش مبتنی بر آنالیز موجک و شبکه عصبی مصنوعی (ANN) به منظور پیش بینی دبی جریان رودخانه بهشت آباد استفاده شد. بدین منظور، داده های دبی متوسط روزانه رودخانه مذکور و اطلاعات بارش روزانه مربوط به 17 ایستگاه هواشناسی در طول دوره آماری 2008-1999 استفاده گردید. در روش اول موسوم به روش موجک متقاطع (CW)، از موجک مختلط مورلت به عنوان تابع آنالیزگر استفاده شد. تجزیه موجک برای هر یک از سری های زمانی مجموع بارش روزانه و دبی متوسط روزانه جریان بصورت جداگانه انجام گرفت. فاز اولیه و اختلاف فاز زیر سری های حاصل از تجزیه موجک و ثابت های واسنجی محاسبه گردید. سپس بازسازی سری های ساختاری انجام و میانگین مولفه های ساختاری بازسازی شده محاسبه شد. مدل دبی جریان به ازای افق های پیش بینی 1 روز، 2 روز، 3 روز و 7 روز جلوتر بسط داده شد. در روش دوم موسوم به روش تلفیقی موجک و شبکه عصبی (WNN)، ابتدا با استفاده از موجک گسسته میر، پردازش اولیه بر روی ماتریس ورودی اولیه انجام گرفت. سپس با نرمالسازی درایه های ماتریس ورودی اولیه، ماتریس ورودی ثانویه تشکیل گردد. ماتریس ورودی ثانویه و ماتریس هدف به یک شبکه سه لایه پیشخور با الگوریتم پس انتشار (FFBP) اعمال شدند. آموزش شبکه با استفاده از تابع آموزش لونبرگ مارکوارت (LM) انجام گرفت. نهایتاً، پیش بینی جریان به ازای افق های زمانی کوتاه مدت انجام شد. نتایج نشان داد پیش بینی های مدل WNN در مقایسه با مدل های CWو ANN از دقت بالاتری برخوردار می باشد.
مجید منتصری؛ سروین زمان زاد قویدل
چکیده
پیش بینی جریان رودخانه به منظور فعالیت های مرتبط با برنامه ریزی و بهره برداری منابع آب لازم و ضروری است. عملکرد دو الگوی هوشمند شامل فازی-عصبی تطبیقی (مبتنی بر روش افراز شبکه) و برنامه ریزی بیان ژن در پیش بینی جریان رودخانه بررسی شد. 21 سال رواناب ماهانه دو ایستگاه صفاخانه واقع بر روی رودخانه ساروق چای و سنته واقع بر رودخانه خرخره چای ...
بیشتر
پیش بینی جریان رودخانه به منظور فعالیت های مرتبط با برنامه ریزی و بهره برداری منابع آب لازم و ضروری است. عملکرد دو الگوی هوشمند شامل فازی-عصبی تطبیقی (مبتنی بر روش افراز شبکه) و برنامه ریزی بیان ژن در پیش بینی جریان رودخانه بررسی شد. 21 سال رواناب ماهانه دو ایستگاه صفاخانه واقع بر روی رودخانه ساروق چای و سنته واقع بر رودخانه خرخره چای در حوضه آبریز زرینه رود استفاده شد. اثرات تناوبی و فصلی جریانات ماهانه در این تحقیق بر روی عملکرد الگوها ارزیابی شد. با در نظر گرفتن ضریب فصلی در الگوی برنامه ریزی بیان ژن مقدار آماره ضریب تعیین به ازای بهترین الگو به میزان 19/0 و 25/0 به ترتیب برای ایستگاه های صفاخانه و سنته افزایش یافت. همچنین عملکرد دو الگوی فوق برای پیش بینی جریان با داده های ایستگاه مجاور نیز بررسی شد. نتایج به دست آمده نشان داد که هر دو روش فازی-عصبی و برنامه ریزی بیان ژن می توانند به طور موفقیت آمیزی برای پیش بینی رواناب ماهانه رودخانه استفاده شوند. در این حالت مقدار آماره ریشه میانگین مربعات خطا با به کارگیری بهترین ترکیب ورودی برای الگوهای فازی-عصبی تطبیقی و برنامه ریزی بیان ژن به ترتیب برابر 88/4 و 89/4 به دست آمد. اما الگوی برنامه ریزی بیان ژن-به دلیل ارائه رابطه ریاضی حاکم بر مساله مورد بررسی-نسبت به الگوی فازی-عصبی تطبیقی برتری دارد.
بهاره شعبانی؛ محمد موسوی بایگی؛ مهدی جباری نوقابی؛ بیژن قهرمان
چکیده
امروزه مدل سازی و پیش بینی پارامترهای اقلیمی به دلیل تغییرات اقلیمی، گرمایش جهانی و خشکسالی های اخیر، اجتناب ناپذیر شده است. از جمله پارامتر های اقلیمی که در مدیریت منابع آبی و در کشاورزی دارای اهمیت هستند دمای حداکثر و حداقل می باشند. در این پژوهش، به منظور مدل سازی دمای حداکثر و حداقل ماهانه دشت مشهد از آمار درازمدت میانگین گیری ...
بیشتر
امروزه مدل سازی و پیش بینی پارامترهای اقلیمی به دلیل تغییرات اقلیمی، گرمایش جهانی و خشکسالی های اخیر، اجتناب ناپذیر شده است. از جمله پارامتر های اقلیمی که در مدیریت منابع آبی و در کشاورزی دارای اهمیت هستند دمای حداکثر و حداقل می باشند. در این پژوهش، به منظور مدل سازی دمای حداکثر و حداقل ماهانه دشت مشهد از آمار درازمدت میانگین گیری شده دو ایستگاه مشهد و گلمکان برای دوره آماری مشترک از سال 1987 تا 2008 استفاده شد. با استفاده از سری های زمانی، مدلSARIMA(0,0,0)(0,1,1)12 برای دمای حداکثر ماهانه و مدل SARIMA(0,0,0)(2,1,1)12برای دمای حداقل ماهانه به عنوان الگوهای نهایی تعیین شدند. ضریب همبستگی بالا در مرحله واسنجی و اعتبار سنجی مدل ها گویای انطباق قابل قبول مقادیر مدل سازی شده و واقعی است. در نهایت براساس مدل های برازش یافته، پیش بینی برای 10 سال آتی (2018- 2009) انجام شد. مقایسه نتایج دو دوره آتی (2018- 2009) و دوره پایه (2008- 1987) نشان دهنده ی افزایش میانگین دمای حداکثر به میزان 1 درجه سانتی گراد و افزایش میانگین دمای حداقل به میزان 4/1 درجه سانتی گراد می باشد.
ابوطالب هزارجریبی؛ فهیمه نصرتی کاریزک؛ خلیل قربانی
چکیده
ظرفیت تبادل کاتیونی یکی از مهم ترین ویژگی های شیمیایی خاک است که توانایی خاک را برای نگهداری مواد غذایی و آب در خاک و همچنین مدیریت آلودگی خاک نشان می دهد. از طرفی به علت آن که اندازه گیری آن کاری دشوار و وقت گیر است، بنابراین تخمین آن از طریق خصوصیات زود یافت خاک مطلوب می باشد. هدف از انجام این تحقیق ارزیابی تخمین ظرفیت تبادل کاتیونی ...
بیشتر
ظرفیت تبادل کاتیونی یکی از مهم ترین ویژگی های شیمیایی خاک است که توانایی خاک را برای نگهداری مواد غذایی و آب در خاک و همچنین مدیریت آلودگی خاک نشان می دهد. از طرفی به علت آن که اندازه گیری آن کاری دشوار و وقت گیر است، بنابراین تخمین آن از طریق خصوصیات زود یافت خاک مطلوب می باشد. هدف از انجام این تحقیق ارزیابی تخمین ظرفیت تبادل کاتیونی خاک با استفاده از شبکه های عصبی مصنوعی است. به این منظور، در منطقه چهل دین در محدوده شهرستان گرگان نمونهبرداری خاک از 69 نقطه قرار گرفته بر روی یک شبکه صورت گرفت. سپس ویژگی های زودیافت خاک از قبیل درصد شن، سیلت و رس، جرم ویژه ظاهری، جرم ویژه حقیقی، مواد آلی، درصد آهک،pH ، EC، تخلخل کل، میانگین هندسی اندازه ذرات و انحراف معیار هندسی آنها در آزمایشگاه اندازه گیری و نتایج اولیه به دست آمد. نتایج نشان داد که روش شبکه عصبی مصنوعی روش مناسبی در برآورد ظرفیت تبادل کاتیونی خاک است به طوری که می تواند 82 درصد تغییرپذیری ظرفیت تبادل کاتیونی خاک پیش بینی نماید. بافت خاک موثرترین پارامتر بر روی CEC بود. آنالیز حساسیت داده ها با استفاده از مدل توسعه یافته با شبکه عصبی مصنوعی نشان داد که پارامترهای درصد رس، سیلت و شن، میانگین هندسی اندازه ذرات، انحراف معیار هندسی اندازه ذرات، درصد ماده آلی و تخلخل کل بهترتیب مهمترین فاکتورهای موثر بر ظرفیت تبادل کاتیونی خاک در منطقه میباشند. مدلی با پارامترهای ورودی درصد رس، سیلت و شن، میانگین هندسی و انحراف معیار هندسی اندازه ذرات به عنوان بهترین مدل پیش بینی کننده ظرفیت تبادل کاتیونی خاک در منطقه مورد مطالعه انتخاب گردید.
جواد بهمنش؛ مجید منتصری
چکیده
تبخیر-تعرق پتانسیل یکی ازمهمترین و موثرترین مولفه ها در بهینه سازی مصرف آب کشاورزی و مدیریت منابع آب می باشد. یکی از روشهای تخمین تبخیر-تعرق استفاده از سری های زمانی است. در این تحقیق، کاربرد سری های زمانی مختلف همچون AR و ARMA در پیش بینی ماهانه تبخیر-تعرق پتانسیل در ایستگاه سینوپتیک ارومیه مورد ارزیابی قرار گرفت. در این فرایند تبخیر-تعرق ...
بیشتر
تبخیر-تعرق پتانسیل یکی ازمهمترین و موثرترین مولفه ها در بهینه سازی مصرف آب کشاورزی و مدیریت منابع آب می باشد. یکی از روشهای تخمین تبخیر-تعرق استفاده از سری های زمانی است. در این تحقیق، کاربرد سری های زمانی مختلف همچون AR و ARMA در پیش بینی ماهانه تبخیر-تعرق پتانسیل در ایستگاه سینوپتیک ارومیه مورد ارزیابی قرار گرفت. در این فرایند تبخیر-تعرق پتانسیل ماهانه از سال 1350 تا 1389 محاسبه شده و 35 سال داده اولیه برای واسنجی مدل و 5 سال داده آخر برای صحت سنجی آن مورد استفاده قرار گرفت. پس از انتخاب بهترین مدل، با استفاده از آن، مقادیر تبخیر-تعرق پتانسیل برای 5 سال آینده پیش بینی گردید. نتایج نشان داد که مدل سری زمانی AR(11) دارای نتایج بهتری در مقایسه با دیگر مدل ها بوده و روند تغییرات سری زمانی AR(11)خطای کمتری داشت. مقادیر R2 و RMSE در مدل AR(11) به ترتیب 96/0 و 85/1 میلیمتر در ماه بدست آمد.
هادی ناوه؛ کیوان خلیلی؛ محمد تقی اعلمی؛ جواد بهمنش
چکیده
یکی از ابزار های مهم در مدل سازی و پیش بینی فرآیند های هیدرولوژیکی استفاده از مدل سازی و تحلیل سری های زمانی است. سری های تولید شده جریان رودخانه با استفاده از مدل های سری زمانی در مطالعات مختلفی نظیر خشکسالی، سیلاب، طراحی سیستم های مخازن و اهداف فراوان دیگر قابل استفاده می باشد. با توجه به این که فرآیند جریان رودخانه می تواند در مقیاس ...
بیشتر
یکی از ابزار های مهم در مدل سازی و پیش بینی فرآیند های هیدرولوژیکی استفاده از مدل سازی و تحلیل سری های زمانی است. سری های تولید شده جریان رودخانه با استفاده از مدل های سری زمانی در مطالعات مختلفی نظیر خشکسالی، سیلاب، طراحی سیستم های مخازن و اهداف فراوان دیگر قابل استفاده می باشد. با توجه به این که فرآیند جریان رودخانه می تواند در مقیاس های مختلف زمانی و مکانی غیرخطی باشد، استفاده از مدل های غیرخطی سری های زمانی بسیار مفید خواهد بود. هدف از این تحقیق، به کار گیری مدل سری زمانی غیر خطی بی لینیر در پیش بینی جریان رودخانه بوده که بدین منظور از داده های 31 و 39 ساله دبی جریان ماهانه دو رودخانه ، به ترتیب شهر چای و باراندوزچای ارومیه واقع در استان آذربایجان غربی استفاده شده است. که مساحت حوضه آبریز باراندوزچای و شهرچای به ترتیب 1203 و 636 کیلومترمربع می باشد. نتایج این تحقیق نشان داد که در دو رودخانه مورد مطالعه مدل غیر خطی بی لینیر، به دلیل خطای کمتر نسبت به مدلهای خطی ARMA کارآیی بهتری داشته است. اما خطای مدل دو-خطی برازش شده برای رودخانه باراندوزچای برابر 605/1 و رودخانه شهرچای معادل 920/1 بوده که علت کم بودن خطای مدل رودخانه باراندوزچای ممکن است طولانی بودن دوره آماری این ایستگاه و یا تغذیه این رودخانه از چشمه ها و منابع آب های زیرزمینی باشد.
حسین انصاری؛ منصوره کوهی؛ نسرین صالحنیا
چکیده
در بخش کشاورزی از میان انواع یخبندانها یخبندان تابشی، به لحاظ فراوانی وقوع و امکان حفاظت مؤثر توسط روش های فعال، از اهمیت زیادی برخوردار است. بنابراین پپشبینی دقیق دمای حداقل، با استفاده از یک مدل پیش بینی تجربی با امکان کالیبره شدن برای شرایط محلی و کاربری آسان و همچنین برآورد ساعتی میزان تغییرات دما (روند) طی شبهایی با رخداد ...
بیشتر
در بخش کشاورزی از میان انواع یخبندانها یخبندان تابشی، به لحاظ فراوانی وقوع و امکان حفاظت مؤثر توسط روش های فعال، از اهمیت زیادی برخوردار است. بنابراین پپشبینی دقیق دمای حداقل، با استفاده از یک مدل پیش بینی تجربی با امکان کالیبره شدن برای شرایط محلی و کاربری آسان و همچنین برآورد ساعتی میزان تغییرات دما (روند) طی شبهایی با رخداد یخبندان تابشی، جهت تعیین زمان شروع و پایان روشهای حفاظت فعال ضروری به نظر می رسد. در این راستا، هدف این تحقیق پیش بینی دمای حداقل با استفاده از یک مدل ساده رگرسیونی و برآورد روند تغییرات دما طی چنین شبهایی است. در این پژوهش با استفاده از دادههای ساعتی ایستگاه سینوپتیک مشهد در ماههای ژانویه، فوریه و مارس طی دوره ی آماری 2010-1999، ضمن تفکیک یخبندانهای تابشی از فرارفتی، با استفاده از دمای نقطه شبنم، دمای خشک دو ساعت بعد از غروب خورشید و دمای حداقل روز بعد، مدل پیش بینی دمای حداقل ارایه گردید. سپس روند تغییرات ساعتی دما طی این شبها پیش بینی شد. مقدار ضریب همبستگی مربوط به داده های دمای حداقل مشاهده شده و پیش بینی شده توسط مدل (93/0)، حاکی از اطمینان معنیدار در سطح 99 درصد می باشد. همچنین مقدار ریشه دوم میانگین مربعات خطا (RMSE) برای مدل ارایه شده، 63/1 درجه سانتیگراد و میزان پیش بینی مجاز این مدل 76 درصد به دست آمد. در بررسی پیش بینی روند دما طی یخبندان های تابشی سال 2010، مقدار RMSE به طور متوسط 7/0 درجه سانتی-گراد و ضریب همبستگی نیز در سطح 01/0 معنی دار بوده است.