بهار و تابستان                   برگشت به فهرست مقالات | برگشت به فهرست نسخه ها

XML English Abstract Print


دانشگاه تبریز
چکیده:   (79 مشاهده)

در این تحقیق کاربرد شبکه عصبی پرسپترون چند لایه (MLP) برای پیش­بینی تبخیر روزانه در دو ایستگاه سینوپتیک رشت و منجیل واقع در استان گیلان در شمال­غربی ایران بررسی گردیده است. ابتدا با استفاده از آزمون گاما مهم­ترین ترکیب از پارامترهای هواشناسی برای هر دو ایستگاه شناسائی و مدل‌سازی براساس ترکیب بهینه صورت گرفت. نتایج مدل شبکه عصبی مصنوعی-آزمون گاما (ANN-GT) با استفاده از معیارهای ارزیابی مدل هم­چون میانگین مربعات خطا (RMSE)، ضریب همبستگی (R) و ضریب ناش‌-ساتکلیف (NS) مقایسه شده است. نتایج مقایسات نشان می‌دهد که مدل (ANN-GT) دارای عملکرد قابل قبولی در پیش­بینی تبخیر روزانه می­باشد. در ابتدا برای بررسی عدم­قطعیت­، درصدی از داده­های مشاهده شده که در محدوده باند پیش­بینی عدم‎‌قطعیت 95 درصد (95PPU) قرارگرفته­اند (p-factor) و عرض متوسط باند (d-factor) برای مدل، مدنظر قرار داده شد. نحوه محاسبه باند پیش­بینی عدم‎‌قطعیت 95 درصد بدین صورت است که باید حدود %5/2 (XL) و %5/97 (XU) برای هر روز تعیین شود. بنابر نتایج عدم‌قطعیت، عرض متوسط باند عدم‌قطعیت (  d-factor) برای ایستگاه رشت (30/0) و برای منجیل ( 33/0) برآورد شد. این امر حاکی از عدم­قطعیت پایین مدل شبکه عصبی مصنوعی-آزمون گاما (ANN-GT) در پیش‌بینی تبخیر روزانه برای هر دو ایستگاه می­باشد. همچنین درصد داده­های مشاهداتی در باند 95PPU  برای رشت 25 و برای منجیل 45 درصد به‌دست آمد. دلیل پایین بودن این مقادیر را می­توان ، وجود عدم‌قطعیت­های کوچک در پارامترها و کیفیت نامناسب داده­ها ذکر کرد.

     
نوع مطالعه: پژوهشي | موضوع مقاله: هيدرولوژی
دریافت: ۱۳۹۵/۷/۲۷ | ویرایش نهایی: ۱۳۹۸/۳/۵ | پذیرش: ۱۳۹۶/۲/۱۳

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

ارسال پیام به نویسنده مسئول


کلیه حقوق این وب سایت متعلق به (پژوهشنامه مدیریت حوزه آبخیز (علمی-پژوهشی می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2019 All Rights Reserved | Journal of Watershed Management Research

Designed & Developed by : Yektaweb