كليدواژه :
آبياري باراني , تلفات بادبردگي و تبخير , شبكه عصبي , يكنواختي
چكيده فارسي :
تلفات تبخير و بادبردگي (WDEL) در سامانه‌هاي آبياري باراني عاملي است كه دريافت آب در نقاط مختلف مزرعه را دستخوش تغيير مي‌كند و باعث كاهش يكنواختي پاشش مي‌گردد. لذا پيش‌بيني اين تلفات مي‌تواند نقش مهمي در بهبود عملكرد آنها ايفا نمايد. در اين پژوهش از شبكه‌هاي عصبي‌مصنوعي براي برآورد ساعتي راندمان دبي آب‌پاش (SDE) استفاده شده‌است كه اين پارامتر، خود وابسته به تلفات بادبردگي و تبخير است. پارامترهاي موثر در برآورد WDEL كه به عنوان ورودي شبكه عصبي مدنظر قرارگرفت با محاسبه ضرايب همبستگي رتبه‌بندي اسپرمن انتخاب شدند. بر اين اساس، سرعت باد، دما، رطوبت نسبي و تبخير- تعرق مرجع به عنوان ورودي و SDE به عنوان خروجي مدل مدنظر قرارگرفت. ارزيابي عملكرد مدل شبكه عصبي ايجاد شده با استفاده از 1024 داده بدست آمده توسط ساختار نواري برآورد WDEL صورت گرفت. مدل شبكه عصبي پيشنهادي كه يك مدل 1-16-19-4 با تابع آموزش مبتني بر تنظيم بيزين است پس از بررسي 3780 مدل متفاوت انتخاب گرديد. نتايج نشان داد كه مدل توسعه داده‌شده مي‌تواند با دقت بالايي مقادير ساعتي SDE را برآورد كند (19/1 =MAPE، 6/1 % =RMSE، 84/0= R) و به‌عنوان يك روش قابل اتكاء در ارزيابي عملكرد سامانه‌هاي آبياري باراني استفاده شود.
چكيده لاتين :
Wind drift and evaporation loss (WDEL) in sprinkler irrigation systems are a factor that affects the water delivery in a field and reduces the uniformity of spraying. So, predicting these losses can play an important role in improving the performance of them. In this study, artificial neural networks (ANNs) have been used to estimate the hourly sprinkler discharge efficiency (SDE), which, in turn, is dependent on WDEL. The effective parameters in estimating WDEL, which were considered as model inputs, were selected by calculating Spearman rank correlation coefficients. Accordingly, wind speed, temperature, relative humidity, and reference evapotranspiration were considered as model inputs, whereas SDE was considered as model output. The performance evaluation of the developed neural network model was done using 1024 real data obtained by the Strip structure for estimating WDEL. The proposed model, which was a 4-19-16-1 model with a Bayesian regularization training function, was selected upon testing 3780 different neural networks. The results of this study showed that the developed model can accurately estimate the hourly values of sprinkler discharge efficiency (R= 0.84, RMSE= 1.6%, MAPE= 1.19) and can be used as a reliable method in evaluating the performance of sprinkler irrigation systems.
