مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

مقاله مقاله نشریه

مشخصات مقاله

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

video

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

sound

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

بازدید:

124
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

دانلود:

41
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

استناد:

اطلاعات مقاله نشریه

عنوان

مدلسازی فرایند تبخیر-تعرق روزانه با استفاده از مدلهای رگرسیونی و هوشمند (مطالعة موردی)

صفحات

 صفحه شروع 49 | صفحه پایان 62

چکیده

 تبخیر-تعرق نقش مهمی در مدیریت منابع آب منطقه ای, تغییرات آب و هوایی و تولید کشاورزی دارد. در این تحقیق, کارآیی برخی از تکنیک های داده محور شامل ماشین بردار پشتیبان (SVM), شبکه های عصبی مصنوعی (ANN) و ترکیب آن با تبدیل موجک (WANN), رگرسیون خطی چند متغیره (MLR ) و درخت تصمیم (Decision Tree) برای پیش بینی نرخ تبخیر-تعرق در ایستگاه اسکاتس بلوف در ایالت نبراسکا بررسی شده است. برای این منظور, از 5 پارامتر هواشناسی (دمای کمینه, دمای بیشینه, رطوبت نسبی, سرعت باد و تابش خورشیدی) به عنوان ورودی برای مدل ها استفاده شده است. داده های استفاده شده در این تحقیق اطلاعات هواشناسی روزانه بین سال های 2005 و2013 برای آموزش و آزمون مدل ها بوده است. به منظور اجرای هر یک از مدل ها 8 سناریو با توجه به ترکیب پارامترهای ورودی درنظر گرفته شده است. برای ارزیابی عملکرد تکنیک های مورد مطالعه, از سه شاخص آماری مختلف یعنی ریشه میانگین مربع خطا (RMSE), ضریب همبستگی (R) و ضریب نش ساتکلیف (NSE) استفاده, که بدین وسیله نتایج مدل ها با داده های مشاهداتی بررسی شد. علاوه بر این, نمودارهای تیلور برای آزمایش شباهت بین داده های مشاهده شده و پیش بینی شده استفاده شد. نتایج نشان داد که در ایستگاه اسکاتس بلوف, 8WANN (هشتمین ترکیب ورودی برای مدل WANN است) با توجه به مقادیر ریشه میانگین مربع خطا (RMSE), ضریب همبستگی (R) و ضریب نش ساتکلیف به ترتیب برابر با 097/0 میلیمتر در روز, 999/0 و 999/0 عملکرد بهتری در مقایسه با ANN, SVM, MLR وDT داشته است. مدل های SVM و ANN نیز دقت بسیار خوبی را نشان دادند, و مدل های DT و MLR با وجود قابل قبول بودن دقت در آن ها از سایر مدل ها ضعیف تر عمل کردند. به عنوان یک نتیجه گیری, نتایج حاصل از مطالعه فعلی ثابت کرد که WANN روندهای معقولی را برای مدل سازی اسکاتس بلوف در ایستگاه اسکاتس بلوف ارائه کرده است.

چندرسانه ای

  • ثبت نشده است.

    • استنادها

  • ثبت نشده است.

    • ارجاعات

  • ثبت نشده است.

    • استناددهی

    APA: کپی

    ملک احمدی، حسین، میرزانیا، احسان، خسروی، سپیده، و ابراهیم زاده، علی. (1401). مدلسازی فرایند تبخیر-تعرق روزانه با استفاده از مدلهای رگرسیونی و هوشمند (مطالعة موردی). مجله پژوهش آب ایران، 16(1 (پیاپی 44) )، 49-62. SID. https://sid.ir/paper/1057730/fa

    Vancouver: کپی

    ملک احمدی حسین، میرزانیا احسان، خسروی سپیده، ابراهیم زاده علی. مدلسازی فرایند تبخیر-تعرق روزانه با استفاده از مدلهای رگرسیونی و هوشمند (مطالعة موردی). مجله پژوهش آب ایران[Internet]. 1401؛16(1 (پیاپی 44) ):49-62. Available from: https://sid.ir/paper/1057730/fa

    IEEE: کپی

    حسین ملک احمدی، احسان میرزانیا، سپیده خسروی، و علی ابراهیم زاده، “مدلسازی فرایند تبخیر-تعرق روزانه با استفاده از مدلهای رگرسیونی و هوشمند (مطالعة موردی)،” مجله پژوهش آب ایران، vol. 16، no. 1 (پیاپی 44) ، pp. 49–62، 1401، [Online]. Available: https://sid.ir/paper/1057730/fa

    مقالات مرتبط نشریه ای

  • ثبت نشده است.

    • مقالات مرتبط همایشی

  • ثبت نشده است.

    • طرح های مرتبط

  • ثبت نشده است.

    • کارگاه های پیشنهادی






    بازگشت به بالا
    telegram sharing button
    whatsapp sharing button
    linkedin sharing button
    twitter sharing button
    email sharing button
    email sharing button
    email sharing button
    sharethis sharing button