برآورد تبخیر از تشت تبخیر ایستگاه سد تنظیمی دز با استفاده از روش شبکه عصبی مصنوعی
محورهای موضوعی : علوم آبمهدی نجفوند دریکوندی 1 , حسین اسلامی 2
1 - دانشجوی دانشگاه آزاد اسلامی، واحد شوشتر، گروه علوم آب، شوشتر، ایران
2 - استادیار دانشگاه آزاد اسلامی، واحد شوشتر، گروه علوم آب، شوشتر، ایران
کلید واژه: شبکه عصبی مصنوعی, : تشت تبخیر, میانگین دما, تی تست, سد مخزنی دز,
چکیده مقاله :
بیشتر بارندگی مناطق خشک و نیمه خشک بصورت تبخیر به جو باز می گردد پس تخمین تبخیر دربرآورد میزان آب در چرخه آب مهم خواهد بود. تبخیر وابسته به پارامترهای مختلفی است و برای برآورد آن نیاز به متغیرهای اقلیمی متفاوتی است و اثر متقابل این متغیرها بسیار پیچیده است لذا در بررسی آن باید روشهای دقیقی را بکار گرفت. در این تحقیق برای برآورد تبخیر از تشت ایستگاه سد تنظیمی دز از روش شبکه عصبی مصنوعی استفاده شد. بطوریکه روش شبکه عصبی مصنوعی با تابع محرک تانژانت هایپربولیک و قانون یادگیری مومنتم استفاده شد. ساختار مورد استفاده یک شبکه چندلایه پرسپترون بوده که از 6 نورون ورودی، 3 لایه پنهان و یک نورون خروجی تشکیل شده بود. لایههای ورودی شامل دمای حداکثر، دمای حداقل، ساعات آفتابی، میانگین سرعت باد، میانگین درصد رطوبت نسبی و برای لایه خروجی میزان تبخیر از سطح آزاد آب بود. بررسی همبستگی بین عوامل اقلیمی نشان داد که میانگین دمای هوا اثر بیشتری بر میزان تبخیر سطحی نسبت به ساعات آفتابی و سرعت باد دارد. ضریب تعیین بالا (0/92) بین دادههای واقعی با دادههای شبیهسازی شده با شبکه عصبی مصنوعی بهعلاوه میزان خطای اندک (RMSE = 1.41) نشان داد که مدل از دقت بسیار بالایی در برآورد برخوردار است. صحت سنجی توسط تی تست نیز حاکی از عدم معنیدار بودن (P>0.01) اختلاف میان مقادیر واقعی و برآورد شده بود.
More rainfall in arid and semi-arid just evaporate into the atmosphere and so estimates the amount of water vapor in the water cycle will be important. Evaporation is dependent on various parameters and to its estimate needs for a different climate variables and the interaction of these variables is very complex, so it must be accurate methods to be used in the evaporation study. In this study, artificial neural networks were used to estimate the pan evaporation of Dez regulating dam station. As ANN hyperbolic tangent function and the learning momentum was used. Multilayer Perceptron structure which used a network of six input neurons, three hidden layer and an output neuron was formed. Input layers include maximum temperature, minimum temperature, sunshine hours, average wind speed, relative humidity and an average rate of evaporation from water surface to the output layer. The relationship between climatic factors showed that the average temperature on the surface evaporation caused more than sunshine and wind speed. High coefficient of determination (92/0) between the actual data with simulated data with artificial neural network plus a small error (RMSE = 1.41) showed that the estimate accuracy is very high. Verification by t-test revealed no significant (P> 0.01) differences were between actual and estimated values.
_||_