بهبود دقت روش هارگریوز در برآورد تبخیر- تعرق مرجع به کمک ضریب اصلاحی با مدل شبکه عصبی مصنوعی و درخت تصمیم M5

الموضوعات :

امید محترمی ¹ , سید محمدرضا حسینی ² , روح الله فتاحی ³ , تیمور سهرابی ⁴

1 - دانشگاه تهران، دانشکده مهندسی و فناوری کشاورزی، گروه مهندسی آبیاری و آبادانی
2 - گروه مهندسی آب، اراک. دانشگاه اراک، اراک، ایران
3 - گروه مهندسی آب، شهرکرد. دانشگاه شهرکرد، شهرکرد، ایران
4 - گروه آبیاری و آبادانی،تهران، دانشگاه تهران، تهران، ایران

تاريخ الإرسال : 11 الثلاثاء , جمادى الثانية, 1439 تاريخ التأكيد : 14 الثلاثاء , رمضان, 1439 تاريخ الإصدار : 12 الخميس , ذو الحجة, 1439

الکلمات المفتاحية: شبکه عصبی مصنوعی, داده کاوی, تبخیر و تعرق مرجع, مدل درختی M5,

ملخص المقالة :

تبخیر- تعرق یکی از مهم ترین اجزای چرخه هیدرولوژی است که مدلسازی آن در مدیریت منابع آب نقش مهمی دارد. در تحقیق حاضر امکان بهبود دقت برآورد تبخیر- تعرق روش هارگریوز به کمک ضریب اصلاحیK با استفاده از مدل شبکه عصبی مصنوعی و مدل درخت تصمیم M5 مورد بررسی قرار گرفت. این ضریب برابر با نسبت تبخیر- تعرق مدل پنمن مونتیث فائو به روش هارگریوز می باشد. داده های مورد استفاده این تحقیق عبارت از دمای حداکثر و حداقل و رطوبت نسبی در بازه ی زمانی 2013-2004 از ایستگاه فرخشهر و فرودگاه در منطقه ی خشک سرد شهرکرد می باشد. شبکه طراحی شده یک شبکه پرسپترون چند لایه با الگوریتم آموزشی لونبرگ مارکوات و تابع تانژانت سیگموئید در لایه پنهان می باشد. مدل درخت تصمیمم به کمک نرم افزار WEKA طراحی گردید. نتایج نشان می دهد که شبکه عصبی و مدل درخت تصمیمم عملکرد خوبی در مدلسازی ضریب اصلاحی دارند، ولی عملکرد مدل شبکه عصبی دقیق تر است. نتایج نشان داد که قبل از استفاده از ضریب اصلاحی دقت مدل هارگریوز RMSE=0.90 (ریشه میانگین مربعات خطا) نسبت به روش پنمن مونتیث فائو بود که این مقدار بعد از استفاده از ضریب اصلاحی به کمک شبکه عصبی به RMSE=0.69 و با از استفاده از ضریب اصلاحی به کمک درخت تصمیمم به RMSE=0.72 رسید. به طور کلی نتایج نشان داد که بعد از استفاده از ضریب اصلاحی عملکرد مدل هارگریوز بهبود یافته است.