پديد آورندگان :
صمديان فرد، سعيد دانشگاه تبريز - دانشكده كشاورزي - گروه مهندسي آب , هاشمي، سجاد دانشگاه تبريز - دانشكده كشاورزي - گروه مهندسي آب , ايزديار، مجتبي دانشگاه تبريز - دانشكده كشاورزي - گروه مهندسي آب
كليدواژه :
تحليل آماري , توابع كرنل , شبكه عصبي مصنوعي , مديريت منابع آب
چكيده فارسي :
تبخير يكي از اصلي‌ترين فرايندها در چرخه‌ي آبي طبيعت و يكي از مهمترين عوامل در مطالعات كشاورزي، هيدرولوژيكي، هواشناسي، بهره‌برداري مخازن، طراحي سيستم‌هاي آبياري و زهكشي، زمان‌بندي آبياري و مديريت منابع آب مي‌باشد. بنابراين شبيه‌سازي هرچه دقيق‌تر مقدار تبخير از اهميت بالايي در مطالعات هيدرولوژيكي برخوردار است. در اين راستا و در تحقيق حاضر، از روش‌هاي هوشمند برنامه‌ريزي ژنتيك، رگرسيون بردار پشتيبان و شبكه عصبي مصنوعي براي برآورد و شبيه‌سازي مقادير تبخير از تشت در ايستگاه‌هاي هواشناسي تبريز و جلفا استفاده شده‌است بدين منظور، از داده‌هاي هواشناسي تبخير، دما، رطوبت نسبي، سرعت باد و تابش خورشيدي ايستگاه‌هاي مذكور در بازه زماني بيست ساله (1390-1371) استفاده شده و دقت روش‌هاي مورد مطالعه با استفاده از پارامترهاي آماري جذر ميانگين مربعات خطا، ميانگين خطاي مطلق، ضريب همبستگي و همچنين دياگرام تيلور مورد بررسي قرار گرفت. نتايج حاصل از اين پژوهش نشان دادند كه در بهينه‌ترين حالت و به‌ترتيب در ايستگاه‌هاي تبريز و جلفا، برنامه‌ريزي ژنتيك با دارا بودن خطاي 2.18 و 2.68، رگرسيون بردار پشتيبان با خطاي 2.19 و 2.22 و شبكه عصبي مصنوعي با خطاي 2.14 و 2.21 عملكرد مناسبي در شبيه سازي مقدار تبخير داشته‌اند. در نهايت براي ايستگاه تبريز سناريو دوم روش شبكه عصبي مصنوعي با پارامترهاي ورودي دما و سرعت باد و براي ايستگاه جلفا سناريو هفتم روش شبكه عصبي مصنوعي با پارامترهاي ورودي دما، رطوبت نسبي، سرعت باد و تابش خورشيدي و دارا بودن بهترين عملكرد، به عنوان مدل‌هايي با دقت مناسب براي شبيه سازي مقدار تبخير از تشت پيشنهادگرديد.
چكيده لاتين :
Evaporation is one of the main processes in the hydrological cycle, and one of the most important factors in the related studies, namely agriculture, hydrology, aerology, exploitation of reservoirs, designing of irrigation and drainage systems, irrigation scheduling, and water resources management. Therefore, accurate estimation of evaporation rates has of the high importance in hydrology researches. In this regard, intelligent methods of Genetic Programming, Support Vector Regression, and Artificial Neural Networks have been used for evaluation and simulation of the pan evaporation rates over Tabriz and Jolfa synoptic stations, in the present research. For this purpose, meteorological data including evaporation, temperature, relative humidity, wind speed, and solar radiation during the period of 1993-2013 were used and the accuracy of studied methods were investigated by using statistical parameters of root mean square error, mean absolute error, correlation coefficient and Taylor diagram. The results showed that in the optimum case of Tabriz and Jolfa stations, genetic programming with error of 2.18 and 2.68, support vector regression with error of 2.19 and 2.22, and artificial neural network with error of 2.14 and 2.21, respectively, had reasonable performance in evaporation simulation. Conclusively, the second scenario of artificial neural network method through the input parameters of temperature and wind speed and the seventh scenario of artificial neural network method through the input parameters of temperature, humidity, wind speed, and solar radiation by having the best performance, were suggested as the accurate models with reasonable precision for simulating pan evaporation at Tabriz and Jolfa stations, respectively.
