برآورد تبخير از تشت تبخير ايستگاه سد تنظيمي دز با استفاده از روش شبكه عصبي مصنوعي

Estimation of evaporation from Dez regulatory dam station pan using artificial neural network

بيشتر بارندگي مناطق خشك و نيمه خشك بصورت تبخير به جو باز مي گردد پس تخمين تبخير دربرآورد ميزان آب در چرخه آب مهم خواهد بود. تبخير وابسته به پارامترهاي مختلفي است و براي برآورد آن نياز به متغيرهاي اقليمي متفاوتي است و اثر متقابل اين متغيرها بسيار پيچيده است لذا در بررسي آن بايد روشهاي دقيقي را بكار گرفت. در اين تحقيق براي برآورد تبخير از تشت ايستگاه سد تنظيمي دز از روش شبكه عصبي مصنوعي استفاده شد. بطوريكه روش شبكه عصبي مصنوعي با تابع محرك تانژانت هايپربوليك و قانون يادگيري مومنتم استفاده شد. ساختار مورد استفاده يك شبكه چندلايه پرسپترون بوده كه از 6 نورون ورودي، 3 لايه پنهان و يك نورون خروجي تشكيل شده بود. لايه‌هاي ورودي شامل دماي حداكثر، دماي حداقل، ساعات آفتابي، ميانگين سرعت باد، ميانگين درصد رطوبت نسبي و براي لايه خروجي ميزان تبخير از سطح آزاد آب بود. بررسي همبستگي بين عوامل اقليمي نشان داد كه ميانگين دماي هوا اثر بيشتري بر ميزان تبخير سطحي نسبت به ساعات آفتابي و سرعت باد دارد. ضريب تعيين بالا (0/92) بين داده‌هاي واقعي با داده‌هاي شبيه‌سازي شده با شبكه عصبي مصنوعي به‌علاوه ميزان خطاي اندك (RMSE = 1.41) نشان داد كه مدل از دقت بسيار بالايي در برآورد برخوردار است. صحت سنجي توسط تي تست نيز حاكي از عدم معني‌دار بودن (P>0.01) اختلاف ميان مقادير واقعي 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.