پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 161 |
| تعداد شماره‌ها | 6,532 |
| تعداد مقالات | 70,501 |
| تعداد مشاهده مقاله | 124,111,895 |
| تعداد دریافت فایل اصل مقاله | 97,215,536 |
مقایسۀ مدل هیبریدی PSO-ANFIS و مدل تجربی تورک در تخمین تبخیر و تعرق مرجع (مطالعۀ موردی: پلدختر- لرستان) | ||
| اکوهیدرولوژی | ||
| مقاله 9، دوره 6، شماره 3، مهر 1398، صفحه 685-694 اصل مقاله (972.38 K) | ||
| نوع مقاله: پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ije.2019.272281.1012 | ||
| نویسندگان | ||
| علی حقی زاده1؛ حسین یوسفی2؛ یزدان یاراحمدی* 3؛ طاهره ابراهیمیان4 | ||
| 1دانشیار، دانشکدۀ کشاورزی و منابع طبیعی، دانشگاه لرستان | ||
| 2دانشیار، دانشکدۀ علوم و فنون نوین، دانشگاه تهران | ||
| 3کارشناس ارشد مهندسی آبخیزداری، دانشکدۀ کشاورزی و منابع طبیعی،دانشگاه لرستان | ||
| 4کارشناس ارشد مهندسی اکوهیدرولوژی، دانشکدۀ علوم و فنون نوین، دانشگاه تهران | ||
| چکیده | ||
| تبخیر و تعرق در حوضۀ آبخیز یکی از اجزای اصلی چرخۀ آب و تخمین نیاز آبیاری است. هدف از پژوهش حاضر، تخمین تبخیر و تعرق مرجع (ETo) روزانه با استفاده از سیستم استنتاج تطبیقی عصبی- فازی (ANFIS) و مقایسۀ آن با مدل تجربی تورک است. دادههای ورودی مدل تورک که شامل ساعت آفتابی، دمای هوا، رطوبت نسبی و سرعت باد مربوط به ایستگاه هواشناسی پلدختر می‌شود، از ادارۀ کل هواشناسی استان لرستان دریافت شده و تبخیر و تعرق با استفاده از این روش به دست آمده است. دادههای ورودی مدل (ANFIS) که شامل دمای میانگین، رطوبت میانگین وگرمای نهان تبخیر می‌شود، با استفاده از روابط به دست آمد و به مدل داده شد. نتایج به‌دست‌آمده از هر روش به طور جداگانه با تبخیر محاسبه‌شده در محل ایستگاه با استفاده از تشتک تبخیر مقایسه شد. در مطالعۀ حاضر عملکرد سیستم عصبی- فازی ((ANFIS بر مبنای الگوریتم بهینه‌سازی (PSO) در دستور کار قرار گرفت و نتایج به‌دست‌آمده رضایت‌بخش بود. کارایی رو‌ش‌های مقایسه‌شده با استفاده از آماره‌‌های ریشۀ میانگین مجذور خطا RMSE، میانگین مربعات خطا MSE و ضریب تعیین R2 ارزیابی شد. روش ANFIS-PSO فقط با سه پارامتر دمای میانگین، رطوبت میانگین و گرمای نهان تبخیر قادر به پیشبینی تبخیر و تعرق مرجع روزانه است و نسبت به مدل تجربی تورک دقت بیشتری دارد، به طوری که مقدار R2، RMSE، MSE به‌ترتیب برای مدل ANFIS 90/0، 65/2، 13/7 و برای مدل تجربی تورک به‌ترتیب 63/0، 26/6، 24/39 است. | ||
| کلیدواژه‌ها | ||
| الگوریتم PSO؛ تبخیر و تعرق مرجع؛ سیستم استنتاج عصبی- فازی؛ مدل تجربی | ||
| مراجع | ||
|
Karamuz M, Araghi Nezhad S. Advanced Hydrology. Tehran: Amirkabir university of technology; 2014. 468 p.
2. Hossein Mirzaei HM. Comparison of Different Estimates of Evapotranspiration Potential. In: First National Conference on Irrigation and Drainage Networks Management. 2006.
3. Sarmad MM-B-ME-M. Estimation of Reference crop Evapotranspiration Using the Least Meteorological Data. J Water Soil. 2009;23(1):91–9.
4. Mohammadi KAGG-SMM-K. Comparison of Artificial Intelligence Systems (ANN & ANFIS) for Reference Evapotranspiration Estimation in the Extreme Arid Regions of Iran. J Water Soil. 2010;24(4):679–89.
5. Shiri J, Ki\csi Ö, Landeras G, López JJ, Nazemi AH, Stuyt LCPM. Daily reference evapotranspiration modeling by using genetic programming approach in the Basque Country (Northern Spain). J Hydrol. 2012;414:302–16.
6. Terzi Ö. Daily pan evaporation estimation using gene expression programming and adaptive neural-based fuzzy inference system. Neural Comput Appl. 2013;23(3–4):1035–44.
7. Kumar P, Kumar D, Jaipaul J, Tiwari AK. Evaporation estimation using artificial neural networks and adaptive Neuro-Fuzzy inference system techniques. Pakistan J Meteorol. 2012;8(16).
8. Mohamadrezapour O. Monthly Forecast of Potential Evapotranspiration Models Using Support Vector Machine (SVM), Genetic programming and Neural- Fuzzy Inference System. Irrig Water Eng. 2017;7(3):135–50.
9. Haghighatjou P, Shahroudi ZMZA. Comparison of gene expression programming (GEP) and neuro-fuzzy methods for estimation of pan evaporation (case study: south Khorasan province). Water Soil Resour Conserv. 2017;6(4):107–17.
10. Citakoglu H, Cobaner M, Haktanir T, Kisi O. Estimation of monthly mean reference evapotranspiration in Turkey. Water Resour Manag. 2014;28(1):99–113.
11. Shayannejad masumeh najafi; VAM. An Evaluation of Accuracy of Intelligent Methods and Sensitivity Analysis of Reference Crop Evapotranspiration to Meteorological Parameters in Two Different Climates. Ecohydrology. 2014;1(1):17–24.
12. M Nekooamal Kermani RMN. Determination of the Best Adaptive Neuro-Fuzzy Inference System (ANFIS) Model for Estimating Grass Reference Crop Evapotranspiration in Coastal Semi-arid Climate of Hormozgan. Water Soil Sci. 2016;26(2):239–58.
13. Azad MRAP, Sattari and MT. Forecasting daily river flow of Ahar Chay River using Artificial Neural Networks (ANN) and comparison with Adaptive Neuro Fuzzy Inference System (ANFIS). J Water Soil Conserv. 2015;22(1):287–98.
14. Kobold M, Suselj K, Polajnar J, Pogacnik N. Calibration techniques used for HBV hydrological model in Savinja catchment. In: XXIVth Conference of the Danubian Countries on the Hydrological Forecasting and Hydrological Bases of Water Managemet. 2008. p. 2–4.
15. Kamali Bahareh SJM. HEC-HMS Conceptual Automated Calibration - Simulation and Optimization Approach. In: 5th National Congress on Civil Engineering [Internet]. 2010. Available from: https://www.tpbin.com/article/27170
16. Jang J.S.R., Sun C.T. and ME. Neuro-fuzzy and Software Computing: a Computational Approach to Learning and Machine Intelligence. In: Prentice-Hall, New Jersey. 1997.
17. Drake JT. Communications phase synchronization using the adaptive network fuzzy inference system (anfis). New Mexico State University; 2000.
18. Sattari MT, Farnaz Nahrein VA. M5 Model Trees and Neural Networks Based Prediction of Daily ET0(Case Study: Bonab Station). Iran J lrrigation Drain. 2013;7(1):104–13.
19. Hozhabr H, Moazed H, ShokriKhoochak S. Estimation of Reference Evapotranspiration (ETo) Using Empirical Models, Artificial Neural Network Modeling and Their Comparison with Lysimeter Data in Urmia Kahrizi Station. Irrig Water Eng. 2014;4(3):13–25. | ||
|
آمار تعداد مشاهده مقاله: 611 تعداد دریافت فایل اصل مقاله: 421 |
||