پیش بینی تبخیر از سطح ایستابی کم عمق با استفاده از شبیه های وایازی و شبکه ی عصبی مصنوعی

الموضوعات :

محمد مهدی چاری ¹ , پیمان افراسیاب ² , جمشید پیری ³ , معصومه دلبری ⁴

1 - عضو هیئت علمی تالاب بین المللی هامون دانشگاه زابل.
2 - - استادیار گروه مهندسی آب دانشگاه زابل.
3 - کارشناس ارشد جهاد کشاورزی زابل
4 - استادیار گروه مهندسی آب دانشگاه زابل

تاريخ الإرسال : 30 الأحد , ربيع الأول, 1437 تاريخ التأكيد : 30 الأحد , ربيع الأول, 1437 تاريخ الإصدار : 16 الإثنين , ربيع الثاني, 1432

الکلمات المفتاحية: شبکه ی عصبی, آزمون گاما, تبخیر از خاک لخت, شبیه وایازی,

ملخص المقالة :

رابطه ی بین عمق سطح ایستابی و تبخیر از سطح خاک در اغلب مناطق خشک و نیمه خشک بسیار مهم است. در این مناطق به علت آبیاری بیش از حد نیاز، اغلب سطح ایستابی نزدیک زمین است که باعث شوری خاک می‌شود. در این مطالعه از یک شبیه فیزیکی سطح ایستابی برای تعیین شدت تبخیر در خاکهای لوم شنی، لومی و لوم رسی در گلخانه و برای سه سطح ایستابی 40، 60 و 80 سانتی متری استفاده شده است. تبخیر از سطح خاک، تبخیر از سطح آزاد، رطوبت سطحی(اندازه گیری با استفاده از TDR)، دمای بیشینه و دمای کمینه به مدت 74 روز و به صورت روزانه اندازه گرفته شدند. سپس چندین روش غیر خطی شامل وایازی (رگرسیون) خطی محلی، شبکه ی عصبی با دو لایه ی برگشتی، شبکه عصبی با کاهش شیب توأم و شبکه عصبی با الگوریتم یادگیری BFGS با استفاده از آزمون گاما توسعه داده شدند. برای اعتبار سنجی شبیه ها نیز از شاخص های آماری جذر میانگین مربعات، میانگین قدر مطلق خطا و ضریب تبیین استفاده شد. نتایج هماهنگی مناسبی را بین نتایج اندازه گیری و پیش بینی نشان دادند

المصادر:

1- Agalbjorn, S., N. Končar, and A. J. Jones.1997. A note on the gamma test. NeuralComput. Applic. 5(3): 131–133.

2- Bruton, J. M., R. W. McClendon, and G.Hoogenboom. 2000. Estimating daily panEvaporation with artificial neural network.Trans. ASAE. 43(2): 492-4962.

3- Durrant, P.J. 2001. winGamma: A nonlineardata analysis and modelling tool withapplications to flood prediction. PhD thesis,Department of Computer Science, CardiffUniversity, Wales, UK

4- Fletcher, R. 1987. Practical methods ofoptimization (2nd ed.). New York: Wiley.

5- Gardner, W. R. 1958. Some steady-statesolutions of the unsaturated moisture flow

equation with applications to evaporation froma water table. Soil Sci. 85: 228–232.

6- Gowing, J. W., F. Konukcu, and D. A.Rose. 2006. Evaporative flux from a

shallow watertable: The influence of avapour–liquid phase transition. J. Hydrol.321: 77–89.

7- Hillel, D. 1998. Environment to soilphysics. Academic Press. New York

8- Jain, S. K., A. Das, and D. k. Srivastsva.1999. Application of ANN for reservoir inflowprediction and operation. J. Water Resour.Plan. Manage. 125(5): 263-271

9- Keskin, M. E., and O. Terzi. 2006. Artificialneural networks models of daily panevaporation. J. Hydrol. Engin. 11(1): 65–70.

10- Kim, S., and H. S. Kim. 2008. Neuralnetworks and genetic algorithm approach for

nonlinear evaporation and evapotranspirationmodeling. J. Hydrol. 351: 299-317.

11- Kisi, O. 2006. Generalized regressionneural networks for evapotranspirationmodeling. Hydrol. Sci. J. 51(6): 1092–1105.

12- Kisi, O. 2007. Evapotranspirationmodeling from climatic data using a neuralcomputing technique. Hydrol. Proc. 21: 1925–1934.

13- Konukcu, F., A. Istanbulluoglu, and I.Kocaman. 2004. Simultaneous use of newlyadopted simple sensors for continuousmeasurement of soil moisture and salinity.Aust. J. Soil Res. 41: 309-321.

14- Lindsey, S. D., and R. K. Farnsworth.1997. Sources of solar radiation estimatesand their effect on daily potential 

evaporation for use in streamflowmodeling. J. Hydrol. 201: 348–366.

15- Moghaddamnia, A., M. Ghafari, J. Piri,and D. Han. 2008. Evaporation estimationusing support vector machines techniqueproceedings of world academy of science.Engin. Techno. 33: 14–22.

16- Penrose, R.. 1955. A generalized inversefor matrices. Proceedings of the CambridgePhilosophical Society. 51: 406–413.

17- Penrose, R. 1956. On best approximatesolution of linear matrix equations.Proceedings of the Cambridge PhilosophicalSociety. 52: 17–19.

18- Remesan, R., M. A. Shamim, and D. Han.2008. Model data selection using Gamma testfor daily solar radiation estimation. Hydrol.Proc. 22: 4301–4309.

19- Rose, D. A., F. Konukcu, and J. W.Gowing. 2005. Effect of watertable depth

on evaporation and salt accumulation abovesaline groundwater. Aust. J. Soil Res. 43:565–573.

20- Stefansson, A., N. Koncar, and A. J. Jones.1997. A note on the Gamma test. NeuralComp. Applic. 5: 131-133.

21- Sudheer, K. P., A. K. Gosain, and K. S.Ramasastri. 2003. Estimating actualevapotranspiration from limited climatic datausing neural computing technique. J. Irrig.Drain. Engin. 129(3): 214–218.

22- Trajkovic, S., B. Todorovic, and M.Stankovic. 2003. Forecasting referenceevapotranspiration by artificial neuralnetworks. J. Irrig. Drain. Engin. 129(6): 454–457.

23- Tsui, A. P. M., A. J. Jones, and A. Guedesde Oliveira. 2002. The construction of smoothmodels using irregular embeddings determinedby a gamma test analysis. Neural Comp.Applic. 10(4): 318–329.

24- Xu, C.Y., and V. P. Singh. 1998.Dependence of evaporation on meteorologicalvariables at different time-scales and

intercomparison of estimation methods.Hydrol. Proc. 12(3): 429–442.

25- Zarei, G., M. Homaee, A. M., Liaghat, andA. H. Hoorafar. 2010. A model for soil surfaceevaporation based on campbll’s retentioncurve. J. Hydrol. 380: 356-361.