تخمين تبخير روزانه از تشت تبخير با استفاده از سه شبكه عصبي پرسپترون چندلايه، تابع پايه شعاعي و الماني

Estimation of Daily Pan Evaporation By Using MLP, RBF and Recuurent Neural Networks,

چكيده 1 تبخير يكي از جمله پارامترهاي مهم در هيدرولوژي و مهندسي منابع آب است كه مورد توجه محققان قرار دارد. به دليل تاثير متقابل پارامترهاي مختلف هواشناسي در محاسبه تبخير، روابطي غيرخطي براي تخمين مقدار آن وجود دارد كه از دقت بالايي برخوردار نيستند . شبكه هاي عصبي مصنوعي از جمله روش هاي نوين مي باشد كه براي تخمين و پيش بيني پارامترها با استفاده از ارتباط ذاتي بين داده ها توسعه يافته است . در اين پژوهش، با استفاده از آمار روزانه هواشناسي ايستگاه هاشم آباد گرگان به آموزش شبكه هاي عصبي مصنوعي با ساختار پرسپترون چند لايه، تابع پايه شعاعي و شبكه عصبي الماني پرداخته شد. تركيب هاي مختلف پارامترهاي درجه حرارت هوا، رطوبت نسبي، سرعت باد، ساعات آفتابي به عنوان ورودي هاي شبكه و تبخير روزانه از تشت تبخير به عنوان خروجي شبكه در نظر گرفته شد. همچنين با استفاده از فرمولهاي تجربي، ميزان تبخير محاسبه شده و با نتايج به دست آمده از شبكه عصبي مصنوعي مورد مقايسه قرار گرفت. به منظور بررسي تاثير پارامترهاي ورودي در تخمين تبخير از آناليز حساسيت استفاده گرديد. نتايج نشان داد كه پارامترهاي دما و سرعت باد ب ه ترتيب بيشترين و كمترين تاثير را در تخمين مقد ار تبخير از تشتك دارا مي باشند. همچنين شبكه هاي عصبي مصنوعي از دقت بالاتري براي تخمين تبخير روزانه نسبت به روش هاي تجربي موجود برخوردارند. واژه هاي كليدي: الگوريتم پسانتشار خطا، آناليز حساسيت، تبخير روزانه، شبكه عصبي مصنوعي

Abstract1 Evaporation is one of the important parameters in hydrology and water resource engineering which is attractive for researchers. Due to interaction between various meteorology parameters, the estimation of evaporation is complicated. There are some nonlinear relations for assessing the evaporation. Artificial neural networks are innovative approaches for estimation and prediction by using learning concept. In this study, by using the daily data of Hashem Abad synoptical station in gorgan, the multilayer perceptron networks, radial basis function networks and element neural networks have been used. The various combinations of daily climatic variables, i. e. air temperature, and duration of sunshine, wind speed and humidity were selected as input parameters and evaporation was used as output parameter. A comparison is made between the estimated provided by ANN models and experimental existence relations as well. To evaluate the effective input parameters on evaporation a sensitivity analysis was used. The results shows that air temperature and wind speed have the maximum and minimum effect on estimation of daily evaporation. The results also show that ANN models perform better than the available experimental relations. Keywords: Back propagation algorithm, Sensitivity analysis, Daily evaporation, Artificial neural networks