دوره 8، شماره 16 - ( پاییز و زمستان 1396 )
جلد 8 شماره 16 صفحات 212-200 |
برگشت به فهرست نسخه ها
چکیده: (3562 مشاهده)
استفاده از مدلهای تجربی برآورد تبخیر نیاز به متغیرهای زیادی دارند که برخی از آنها در ایستگاههای کشور قابل
اندازهگیری نیستند لذا این تحقیق با هدف شبیهسازی تبخیر روزانه در ایستگاه سینوپتیک تبریز به کمک دادههای هواشناسی شامل متوسط درجه حرارت هوا (c ْ)، میانگین سرعت باد (m/s)، میانگین رطوبت نسبی (%) و ساعات آفتابی با استفاده از مدلهای سیستم استنتاج تطبیقی عصبی- فازی و رگرسیون چندمتغیره با معماریهای مختلف و در وضعیتهای مختلف از متغیرهای ورودی انجام شد. پس از استانداردسازی دادهها، جهت آموزش شبکه از 85 درصد دادهها و جهت آزمون کارایی مدلها (با شاخصهای RMSE و R2) از 15 درصد دادهها استفاده شد. نتایج مدل سیستم استنتاج تطبیقی عصبی- فازی نشان داد که مدل بهینه نروفازی با 1 و 2 متغیر ورودی از نوع شبکه (با 3 تابع عضویت گوسی) و با 3 و 4 متغیر ورودی از نوع خوشهای است. طبق نتایج مدل رگرسیونی اضافه نمودن متغیر رطوبت نسبی باعث تغییرات قابلملاحظه شاخصهای اعتبارسنجی در بخش دادههای آموزش و آزمون نشد و متغیر ساعت آفتابی در مدل رگرسیونی حفظ نشد. طبق نتایج میتوان به کمک مدل سیستم استنتاج تطبیقی عصبی- فازی نسبت به رگرسیون، ضریب تبیین شبیهسازی را بیش از 10 درصد افزایش داد که لازمه آن استفاده از 4 متغیر ورودی شامل متوسط درجه حرارت هوا، متوسط سرعت باد، رطوبت نسبی و ساعت آفتابی و مدلسازی با مدل نروفازی خوشه است.
اندازهگیری نیستند لذا این تحقیق با هدف شبیهسازی تبخیر روزانه در ایستگاه سینوپتیک تبریز به کمک دادههای هواشناسی شامل متوسط درجه حرارت هوا (c ْ)، میانگین سرعت باد (m/s)، میانگین رطوبت نسبی (%) و ساعات آفتابی با استفاده از مدلهای سیستم استنتاج تطبیقی عصبی- فازی و رگرسیون چندمتغیره با معماریهای مختلف و در وضعیتهای مختلف از متغیرهای ورودی انجام شد. پس از استانداردسازی دادهها، جهت آموزش شبکه از 85 درصد دادهها و جهت آزمون کارایی مدلها (با شاخصهای RMSE و R2) از 15 درصد دادهها استفاده شد. نتایج مدل سیستم استنتاج تطبیقی عصبی- فازی نشان داد که مدل بهینه نروفازی با 1 و 2 متغیر ورودی از نوع شبکه (با 3 تابع عضویت گوسی) و با 3 و 4 متغیر ورودی از نوع خوشهای است. طبق نتایج مدل رگرسیونی اضافه نمودن متغیر رطوبت نسبی باعث تغییرات قابلملاحظه شاخصهای اعتبارسنجی در بخش دادههای آموزش و آزمون نشد و متغیر ساعت آفتابی در مدل رگرسیونی حفظ نشد. طبق نتایج میتوان به کمک مدل سیستم استنتاج تطبیقی عصبی- فازی نسبت به رگرسیون، ضریب تبیین شبیهسازی را بیش از 10 درصد افزایش داد که لازمه آن استفاده از 4 متغیر ورودی شامل متوسط درجه حرارت هوا، متوسط سرعت باد، رطوبت نسبی و ساعت آفتابی و مدلسازی با مدل نروفازی خوشه است.
نوع مطالعه: پژوهشي |
موضوع مقاله:
تخصصي
دریافت: 1396/11/10 | ویرایش نهایی: 1396/12/5 | پذیرش: 1396/11/10 | انتشار: 1396/11/10
دریافت: 1396/11/10 | ویرایش نهایی: 1396/12/5 | پذیرش: 1396/11/10 | انتشار: 1396/11/10
فهرست منابع
1. Afzali, A., M. Mahdavi and M.A. Zare Chahouki. 2010. Study efficiency Thornthwaite method comparison with class a Pan in south coastal of Iran. Journal of Watershed Management Research, 1(2):109-114. (In Persian)
2. Ahmadi, F., S. Ayashm, K. Khalili and J. Behmanesh. 2016. Application of ANFIS and SVM systems in order to estimate monthly reference crop evapotranspiration in the northwest of Iran. Journal of Water and Soil, 30 (1): 260-274. (In Persian)
3. Alizadeh, A. 2007. Principles of applied hydrology. Emam Reza International University Press (Astane Ghodse Razavi), Mashhad, Iran, 808pp (In Persian).
4. Allawi, M. F and A. El-Shafie. 2016. Utilizing RBF-NN and ANFIS Methods for Multi-Lead ahead Prediction Model of Evaporation from Reservoir. Water Resour Manage, 30 (13): 4773-4788. [DOI:10.1007/s11269-016-1452-1]
5. Azad Talatapeh, N., N. Behmanesh and J. M. Montaseri. 2013. Predicting potential evapotranspiration using time series models (Case Study: Urmia). Journal of Water and Soil, 27(1): 213-223 (In Persian).
6. Babamiri, O., H. Nowzari and S. Maroofi. 2017. Potential evapotranspiration estimation using stochastic time series model (Case study: Tabriz). Journal of Watershed Management Research, 8(15):137-146 (In Persian).
7. Daneshfaraz, R. 2015. Sensitivity analysis of the effective variables upon daily evaporation using Garson equation and artificial neural network (Case Study: Tabriz city). Journal of Geography and Planning, 19(54): 127-142 (In Persian).
8. Dastorani, M.T., S. Poormohammadi, A.R. Massah Bavani and M.H. Rahimian. 2010. Evapotranspiration condition in Yazd station under uncertainties of different GHG emission scenarios and ET estimation models. Journal of Watershed Management Research, 1(2):1-20. (In Persian)
9. Dastorani, M.T., H. Sharifi daraii, A. Talebi and A.R. Moghadamnia. 2011. Evaluation of the application of artificial neural networks and adaptive neuro-fuzzy inference systems for rainfall-runoff modelling in Zayandeh_rood dam basin. Journal of Water and Wastewater, 22(4): 114-125 (In Persian).
10. Dehghani, A.A., M. Piri, M., Hesam and N. Dehghani. 2010. Estimation of daily pan evaporation by using MLP, RBF and Recurrent Neural Networks. Journal of Water and Soil Conservation, 17(2): 49-67 (In Persian).
11. Farshadfar, E.A. 2005. Multivariate Principle and Procedures of Statistics, Razi University Press, Kermanshah, Iran, 734pp (In Persian).
12. Goyal, M., B. Bharti, J. Quilty, J. Adamowski and A. Pandey. 2014. Modeling of daily pan evaporation in sub tropical climates using ANN, LS-SVR, Fuzzy Logic and ANFIS. Expert Systems with Applications, 41: 5267-5276. [DOI:10.1016/j.eswa.2014.02.047]
13. Issak, E.H and R.M. Srivastava. 1989. An introduction to applied geostatistics. Oxford University Press, 561pp.
14. Kisi, O. 2006. Daily pan evaporation modelling using a neuro-fuzzy computing technique, Journal of Hydrology, 329: 636-646. [DOI:10.1016/j.jhydrol.2006.03.015]
15. Kisi, O., O. Genc, S. Dinc and M. Zounemat- Kermani. 2016. Computers and Electronics in Agriculture, 122: 112-117. [DOI:10.1016/j.compag.2016.01.026]
16. Mahdavi, S., A., Rahimikhoob and A. Montazar. 2011. Estimation of monthly pan evaporation using artificial neural network based on meteorological data (Case study; Southern coasts of the Caspian sea), Iran-Water Resources Research, 7(2): 71-79 (In Persian).
17. McCabe, G.J., L.E. Hay, A. Bock, S. L. Markstrom and R.D. Atkinson. 2015. Inter-annual and spatial variability of Hamon potential evapotranspiration model coefficients. Journal of Hydrology, 521: 389-394. [DOI:10.1016/j.jhydrol.2014.12.006]
18. Miralles, D.G., R. A. M. De Jeu, J. H. Gash, T. R. H. Holmes and A. J. Dolman. 2011. Magnitude and variability of land evaporation and its components at the global scale. Hydrology and Earth System Sciences Journal, 15: 967-981. [DOI:10.5194/hess-15-967-2011]
19. Moradi, H., S.M. Ansari, A. Hasheminia, A. Alizadeh. K. Vahidian and S.M.J. Mosavi. 2012. Estimation of daily reference evapotranspiration with Fuzzy inference systems. Journal of Water and Soil, 26 (4): 854-863 (In Persian).
20. Noori, G.H., A. Fallah-Ghalhary and S.H. Sanaei-Nejad. 2013. Modeling of potential evapotranspiration by artificial neural network from minimum climatic variables in Mashhad synoptic station. Journal of Water and Soil Conservation, 20(5): 163-178 (In Persian).
21. Nourani, V and M. Sayyahfard. 2013. Sensitivity Analysis of ANN Inputs in Estimating Daily Evaporation. Journal of Water and Waste water, 24(3): 88-100 (In Persian).
22. Piri, J., K. Mohammadi, S. O. Shamshirband and A. Shatirah. 2016. Assessing the suitability of hybridizing the Cuckoo optimization algorithm with ANN and ANFIS techniques to predict daily evaporation. Environmental Earth Sciences, 75 (246): 1-13. [DOI:10.1007/s12665-015-5058-3]
23. Rahmati, E., M. Montazeri, A.Gandomkar and M. Lshanizand. 2015. Evaporation predicts using artificial neural network and climat signals in Dez basin. Geographical Research, 30(117): 261-274. (In Persian)
24. Roderick, M. L., M. T. Hobbins and G. D. Farquhar. 2009. Pan evaporation trends and the terrestrial water balance energy balance and interpretation. Geography Compass, 3:761-780. [DOI:10.1111/j.1749-8198.2008.00214.x]
25. Sabziparvar, A.A., H. Zare Abyaneh and M. Bayat Varkeshi. 2010. Model comparison between predicted soil temperatures using ANFIS model and regression methods in three different climates, Journal of Water and Soil, 24 (2): 274-285 (In Persian).
26. Shabaninia, F and S. Saeednia. 2007. Fundamental of Fuzzy control texbox using MATLAB. Khaniran press, 135 pp (In Persian).
27. Shayannejad, M., J.Sadatinejad and H. Fahmi. 2007. Determination of evapotranspiration by using fuzzy regression, Iranian Water Research Journal, 3: 9-19 (In Persian).
28. Shirsath, P.B and A.K. Singh. 2010. A comparative study of daily pan evaporation estimation using ANN, regression and climate based models, Water Resource Management, 24: 1571-1581. [DOI:10.1007/s11269-009-9514-2]
29. Soltani, J., A.R. Moghaddamnia, J. Piri and J. Mirmoradzehi. 2013. Performance comparison of integrated models of NN-ARX and ANFIS with GA-GT to daily pan evaporation estimation under arid and hot Climate of aluchistan, Journal of Water and Soil, 27 (2): 381-393 (In Persian).
30. Wang, Y.M., S. Traore and T. Kerh. 2008. Neural network approach for estimating reference evapotranspiration from limited climatic data in Burkina Faso, WSEAS, Transactions on Computers, 7: 704-713.
31. Zare Abyaneh, H., M. Bayat Varkeshi, S. Marofi and R. Amiri Chayjan. 2010. Evaluation of artificial neural network and adaptive neuro fuzzy inference system in decreasing of reference evapotranspiration variables. Journal of Water and Soil, 24(2): 297-305 (In Persian).
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |