fa عدم قطعیت شبکه عصبی مصنوعی در تخمین تبخیر روزانه (مطالعه موردی: ایستگاه های رشت و منجیل) هيدرولوژی هيدرولوژی پژوهشي Research <p dir="RTL" style="text-align: justify;"><span style="font-size:11px;"><strong>&nbsp;&nbsp;&nbsp;&nbsp; در این تحقیق کاربرد شبکه عصبی پرسپترون چندلایه (</strong><strong><span dir="LTR"><span style="font-family:times new roman bold,serif;">MLP</span></span></strong><strong>)</strong> <strong>برای پیش &shy;بینی تبخیر روزانه در دو ایستگاه سینوپتیک رشت و منجیل واقع در استان گیلان در شمال&shy; ایران بررسی گردیده است. ابتدا با استفاده از آزمون گاما مهم&shy;ترین ترکیب</strong> <strong>از پارامترهای هواشناسی برای هر دو ایستگاه شناسایی و مدل&shy;سازی براساس ترکیب بهینه صورت گرفت. نتایج مدل شبکه عصبی مصنوعی- آزمون گاما (</strong><strong><span dir="LTR"><span style="font-family:times new roman bold,serif;">ANN-GT</span></span></strong><strong>)</strong> <strong>با استفاده از معیارهای ارزیابی مدل همچون مجذور میانگین مربعات خطا (</strong><strong><span dir="LTR"><span style="font-family:times new roman bold,serif;">RMSE</span></span></strong><strong>) ضریب همبستگی (</strong><strong><span dir="LTR"><span style="font-family:times new roman bold,serif;">CC</span></span></strong><strong>) و ضریب ناش-ساتکلیف (</strong><strong><span dir="LTR"><span style="font-family:times new roman bold,serif;">NS</span></span></strong><strong>) ارزیابی شده است. نتایج نشان داد که مدل (</strong><strong><span dir="LTR"><span style="font-family:times new roman bold,serif;">ANN-GT</span></span></strong><strong>) برای ایستگاه رشت با ضریب همبستگی 86/0، مجذور میانگین مربعات خطا 95/0، ضریب ناش-ساتکلیف 74/0 و ایستگاه منجیل با ضریب همبستگی 94/0، مجذور میانگین مربعات خطا 58/1، ضریب ناش-ساتکلیف 89/0، دارای عملکرد قابل قبولی در پیش&shy; بینی تبخیر روزانه می &shy;باشد. برای بررسی عدم قطعیت، درصدی از داده&shy; های مشاهده شده که در محدوده باند پیش&shy;بینی عدم قطعیت 95 درصد (</strong><strong><span dir="LTR"><span style="font-family:times new roman bold,serif;">95PPU</span></span></strong><strong>) قرارگرفته&shy; اند (</strong><strong><span dir="LTR"><span style="font-family:times new roman bold,serif;">P-factor</span></span></strong><strong>) و عرض متوسط باند (</strong><strong><span dir="LTR"><span style="font-family:times new roman bold,serif;">d-factor</span></span></strong><strong>) برای مدل، مدنظر قرار داده شد. <span style="color:black;">بنابر نتایج عدم قطعیت، عرض متوسط باند عدم قطعیت (</span></strong><strong><span dir="LTR"><span style="color:black;"><span style="font-family:times new roman bold,serif;">d-factor</span></span></span></strong><strong><span style="color:black;">) برای ایستگاه رشت (30/0) و برای منجیل (33/0) برآورد شد. این امر حاکی از عدم قطعیت پایین مدل شبکه عصبی مصنوعی-آزمون گاما (</span></strong><strong><span dir="LTR"><span style="color:black;"><span style="font-family:times new roman bold,serif;">ANN-GT</span></span></span></strong><strong><span style="color:black;">) در پیش &shy;بینی تبخیر روزانه برای هر دو ایستگاه می&shy; باشد. همچنین درصد داده&shy; های مشاهداتی در باند (</span></strong><strong><span dir="LTR"><span style="color:black;"><span style="font-family:times new roman bold,serif;">95PPU</span></span></span></strong><strong><span style="color:black;">) برای رشت 25 و برای منجیل 45 درصد به&shy;دست آمد. دلیل پایین بودن این مقادیر رامی &shy;توان، وجود عدم قطعیت&shy; های کوچک در پارامترها ذکر کرد.</span></strong></span></p> <p>This research uses the multilayer perceptron (MLP) model to predict daily evaporation at two synoptic stations located in Rasht and Manjil, Guilan province, in north-west of Iran. Initially the most important combinations of climatic parameters for both of the stations were identified using the gamma test; and daily evaporation were modeled based on the obtained optimal combination. The results of the artificial neural network- Gamma Test (ANN-GT) model are evaluated using the root mean square errors (RMSE), correlation coefficient and Nash-Sutcliffe (NS) criteria. The results showed that the ANN-GT model for Rasht station with a correlation coefficient 0.86, root mean square error 0.95 and Nash-Sutcliffe criteria 0.74 and for Manjil station with correlation coefficient 0.94, root mean square error1.58 and Nash-Sutcliffe criteria 0.89 has an acceptable performance in predicting daily evaporation. To evaluate the uncertainty, we considered a percentage of data which were included in 95 percent of uncertainty (p-factor) and the average width of the 95ppu band (d-factor). Regarding the uncertainty results, the average with of 95PPU bound were obtained as 0.33 and 0.3 for the Manjil and Rasht stations, respectively. This shows the low uncertainty level of the ANN-GT model for predicting daily evaporation at both of the stations. Furthermore, the percentage of the observed data at 95PPU band was low and equal to %25 and %45 for the Rasht and Manjil stations, respectively. The reason for these low values can be due to low uncertainty in the parameters.&nbsp;</p> آزمون گاما, تبخیر روزانه, شبکه عصبی مصنوعی, گیلان, عدم قطعیت Artificial neural network, Daily evaporation, Gamma test, Guilan, Uncertainty 1 12 http://jwmr.sanru.ac.ir/browse.php?a_code=A-11-918-1&slc_lang=fa&sid=1 seyedmostafa Biazar سید مصطفی بی آزار seyedmostafa.b@gmail.com 10031947532846007767 10031947532846007767 Yes Water Resources, University of Tabriz Tabriz university دانشگاه تبریز Mohammad Ali ghorbani محمد علی قربانی ghorbani@tabrizu.ac.ir 10031947532846007768 10031947532846007768 No Water Resources, University of Tabriz Tabriz university دانشگاه تبریز kaka shahedi کاکا شاهدی kaka.shahedi@gmail.com 10031947532846007769 10031947532846007769 No Sari University of Agricultural Sciences and Natural Resources دانشگاه علوم کشاورزی و منابع طبیعی ساری