سامانه پشتیبانی خدمات اطلاعات

  اخبار و اعلانات

 آمار

تعداد نشریات161
تعداد شماره‌ها6,532
تعداد مقالات70,502
تعداد مشاهده مقاله124,117,261
تعداد دریافت فایل اصل مقاله97,222,508
بخشوده, میترا, رحیمی خوب, علی. (1393). مقایسۀ مدل رگرسیون درختی، شبکۀ عصبی مصنوعی و هارگریوز سامانی در برآورد تبخیرتعرق مرجع مناطق خشک. , 4(2), 149-160. doi: 10.22059/jwim.2014.53031
میترا بخشوده; علی رحیمی خوب. "مقایسۀ مدل رگرسیون درختی، شبکۀ عصبی مصنوعی و هارگریوز سامانی در برآورد تبخیرتعرق مرجع مناطق خشک". , 4, 2, 1393, 149-160. doi: 10.22059/jwim.2014.53031
بخشوده, میترا, رحیمی خوب, علی. (1393). 'مقایسۀ مدل رگرسیون درختی، شبکۀ عصبی مصنوعی و هارگریوز سامانی در برآورد تبخیرتعرق مرجع مناطق خشک', , 4(2), pp. 149-160. doi: 10.22059/jwim.2014.53031
بخشوده, میترا, رحیمی خوب, علی. مقایسۀ مدل رگرسیون درختی، شبکۀ عصبی مصنوعی و هارگریوز سامانی در برآورد تبخیرتعرق مرجع مناطق خشک. , 1393; 4(2): 149-160. doi: 10.22059/jwim.2014.53031

مقایسۀ مدل رگرسیون درختی، شبکۀ عصبی مصنوعی و هارگریوز سامانی در برآورد تبخیرتعرق مرجع مناطق خشک

مدیریت آب و آبیاری
مقاله 1، دوره 4، شماره 2، مهر 1393، صفحه 149-160    اصل مقاله (893.88 K)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22059/jwim.2014.53031
نویسندگان
میترا بخشوده* 1؛ علی رحیمی خوب2
1کارشناس ارشد گروه مهندسی آبیاری و زهکشی پردیس ابوریحان دانشگاه تهران
2استاد گروه مهندسی آبیاری و زهکشی پردیس ابوریحان دانشگاه تهران
چکیده
هدف از این تحقیق، ارزیابی سه مدل شبکۀ عصبی مصنوعی، رگرسیون درختی و مدل هارگریوز سامانی برای برآورد تبخیرتعرق گیاه مرجع بود. بدین منظور از اطلاعات هواشناسی استان­های سیستان و بلوچستان، کرمان، یزد و خراسان جنوبی در دورۀ آماری 1998-2008 استفاده شد. با توجه به تأثیر سرعت باد بر میزان تبخیرتعرق منطقه، برآورد تبخیرتعرق براساس تغییرات سرعت باد در قالب سه گروه شامل ایستگاه­هایی با سرعت باد کمتر از 48/2 متر بر ثانیه در گروه U1، ایستگاه‌هایی با سرعت باد بین 48/2 و 67/3 متر بر ثانیه در گروه U2 و ایستگاه‌هایی با سرعت باد بیشتر از 67/3 متر بر ثانیه در گروهU3 صورت گرفت. نتایج نشان داد هر سه مدل شبکۀ عصبی مصنوعی، رگرسیون درختی و هارگریوز سامانی در گروه U1بهترین برآورد را داشتند. نتایج آماری میانگین مجذور مربعات خطای مدل شبکۀ عصبی مصنوعی 41/1 میلی‌متر در روز با ضریب تبیین 84/0، مدل رگرسیون درختی 46/1 میلی‌متر در روز با ضریب تبیین 83/0 و هارگریوز سامانی کالیبره‌شده 02/2 میلی‌متر در روز با ضریب تبیین 69/0 به‌دست آمد که بیانگر برتری دو روش شبکۀ عصبی و رگرسیون درختی بود.
کلیدواژه‌ها
تبخیرتعرق گیاه مرجع؛ رگرسیون درختی؛ سرعت باد؛ شبکۀ عصبی مصنوعی؛ هارگریوز سامانی
مراجع
  1. پارسافر ن.، سبزی پرور ع.ا. و آیینی ع (1391) ارزیابی حساسیت معادلة فائو پنمن- مانتیث 56 نسبت به تغییرات سرعت باد در غرب ایران، گزارش کوتاه علمی. پژوهش‌های حفاظت آب و خاک (علوم کشاورزی و منابع طبیعی). 19(1):197-207.
  2. زارع ابیانه ح.، بیات ورکشی م.، معروفی ص.و امیری چایجان ر (1389) ارزیابی سیستم‌های هوشمند مصنوعی در کاهش پارامترهای تخمین تبخیرتعرق گیاه مرجع. آب و خاک (علوم و صنایع کشاورزی). 24 (2): 297-305.
  3. طالبی ع.، پورمحمدی س.و رحیمیان م.ح (1389) بررسی عوامل مؤثر در تبخیر و تعرق مرجع، با استفاده از آنالیز حساسیت معادلۀ فائو پنمن مانتیث مطالعة موردی ایستگاه‌های یزد، طبس و مروست. پژوهش‌های جغرافیای طبیعی. 73: 97-110.
  4. محجوبی ج.واعتمادشهیدی ا (1387) پیش‌بینی پارامترهای امواج ناشی از باد در بندر امیرآباد به‌کمک درخت‌های تصمیم رگرسیونی. چهارمین کنگرۀ ملی مهندسی عمران: 1-6.
  5. Allen  R.G, Pereira  L.S, Raes  D  and Smith  M (1998) Crop evapotranspiration Guidelines for computing crop water requirements. Irrigation and Drainage Paper No.56, FAO, ROME.
  6. Bhattacharya B and Solomatine D.P (2005) Neural networks and M5 model trees in modeling water level–discharge relationship. Neurocomputing. 63: 381-396.
  7. Dawson C.W and Wilby R (1998) An artificial neural network approach to rainfall-runoff modeling. Hydrological Sciences. 43(1): 47-66.
  8. Dibike Y.B and Solomatine D (2001) River Flow Forecasting Using Artificial Neural Networks.  Physics and Chemistry of the Earth, Part B: Hydrology, Oceans and Atmosphere. 26(1): 1-8.
  9. Droogers P and Allen R.G (2002) Estimating reference evapotranspiration under inaccurate data conditions.  Irrigation and Drainage Systems. 16:33–45.
  10. Etemad Shahidi A and Mahjoobi J (2009) Comparison between M5 model tree and neural networks for prediction of significant wave height in Lake Superior. Ocean Engineering. 36(15-16): 1175–1181.
  11. Hagan MT and Menhaj M (1994) Training feedforward networks with the Marquardt algoritm. IEEE Transactions on Neural Networks. 5: 989-993.
  12. Hargreaves G.H and Samani, Z.A (1985) Reference crop evapotranspiration from temperature. Applied Engineering in Agriculture. 1(1): 96–99.
  13. Kisi O (2007) Evapotranspiration modeling from climatic data using a neural computing technique. Hydrological Processes. 21(6):1925-1934.
  14. Muttiah R.S, Srinivasan R and Allen P.M (1997) Prediction of two-year peak stream-discharges using neural networks. the American Water Resources Association. 33(3):513-703.
  15. Pal M and Deswal S (2009) M5 model tree based modeling of reference evapotranspiration. Hydrolgical Processe. 23(2):1437–1443.
  16. RahimiKhoob A (2008) Comparative study of Hargreaves’s and artificial neural network’s Methodologies in estimating reference evapotranspiration in a semiarid environment. Irrigation Science. 26: 253-259.
  17. Solomatine D.P and Dulal  K.N (2003) Model trees as an alternative to neural networks in rainfall-runoff modeling. Hydrological Sience, 48(3): 399-411.
  18. Solomatine D.P and Xue Y (2004) M5 model trees and neural networks: application to floodforecasting in the upper reach of the Huai River in China. Hydrologic Engineering. 9(6): 491-501.
  19. Tan Y and Van Cauwenberghe A  (1999) Naural-network-based –stepahead predictors for nonlinear systems with time delay. Engineering Application ofArtificial Intelligence. 12: 21-25.
آمار
تعداد مشاهده مقاله: 2,759
تعداد دریافت فایل اصل مقاله: 1,097


سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب