این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مهندسی آبیاری و آب ایران، جلد ۱۵، شماره ۳، صفحات ۲۲۹-۲۴۹
عنوان فارسی پیش‌بینی مقادیر تبخیر و تعرق مرجع استان گلستان با مدل‌ یادگیری ترکیبی متا
چکیده فارسی مقاله تبد دقیق نیاز آبی گیاه، تاثیر شایانی بر کاهش معضل بحران آب، خواهد داشت. علی‌رغم اهمیت تبخیر-تعرق در برنامه‌ریزی و مدیریت منابع آبی، وابستگی آن به مولفه‌های اقلیمی از یک‌سو و تاثیرپذیری این مولفه‌ها از یکدیگر از سویی دیگر تخمین تبخیر-تعرق را دشوار ساخته است. در این راستا، ابتدا بر اساس رابطه‌ی فائو پنمن-مانتیث، میزان تبخیر-تعرق پتانسیل ماهانه در ایستگاه های سینوپتیک مورد انتخاب از داده‌های هواشناسی ماهانه محاسبه و به عنوان ورودی مدل‌های هیبریدی فراکاووشی شامل شبکه عصبی مصنوعی (ANN)، بردار پشتیبان ارتقا یافته (ESVM)، مدل یادگیری ترکیبی متا (Stacking) استفاده می شود. همچنین در این تحقیق برای ارزیابی دقت مدلها از سه معیار ریشه میانگین مربعات خطا، ضریب همبستگی و میانگین قدر مطلق خطا استفاده ‌شد. از بررسی نتایح همه ایستگاه‌ها مشاهده شد، تمام‌مدل‌های پیش‌بینی پارامتر تبخیر و تعرق مرجع از کارایی خوبی برخوردار هستند. اما مدل Stacking در همه ایستگاه های مورد مطالعه در بهترین سناریوها از مقادیر کمترین میانگین قدر مطلق خطا (گرگان: 0.25، گنبد: 0.08، کردکوی: 0.25، بندر ترکمن: 0.8، علی آباد: 0.33 و مینودشت: 0.97 ) و ضریب تبیین بسیار زیاد (گرگان: 0.996، گنبد: 0.99، کردکوی: 0.99، بندر ترکمن: 0.996، علی آباد: 0.991 و مینودشت: 0.992) و کمترین ریشه دوم مربعات خطا (گرگان: 6.849، گنبد: 9.919، کردکوی: 9.671، بندر ترکمن: 6.561، علی آباد: 9.123 و مینودشت: 8.73) برخوردار می‌باشد. همچنین بعد از مدل Stacking در همه ایستگاهها مدل ANN و سپس مدل ESVM از دقت بالاتری نسبت به بقیه مدلها برخوردار می‌باشند
کلیدواژه‌های فارسی مقاله مدل‌های هوش مصنوعی،استان گلستان،تبخیر و تعرق مرجع،
عنوان انگلیسی Prediction of reference evaporation and transpiration values of Golestan province with meta combinatorial learning model (Stacking)
چکیده انگلیسی مقاله ,accurate estimation of plant water needs will have a great effect on reducing the problem of water crisis. Despite the importance of evapotranspiration in water resources planning and management, its dependence on climatic factors on the one hand and the influence of these factors on each other has made it difficult to estimate evapotranspiration. In this regard, based on the FAO Penman-Monteith relationship, the monthly potential evaporation-transpiration rate in the selected synoptic stations was calculated from the monthly meteorological data and as an input to the hybrid meta-exploratory models including the artificial neural network (ANN). , Evaluated Support Vector Machin (ESVM), Rain Forest (RF), Deep Learning (DL), Meta Combined Learning Model (Stacking) and Generalized Linear Model (GLM) are used. From the results, it was observed that the all reference evaporation and transpiration (ETo) prediction models (GLM, Stacking, DL, ESRV, RF, ANN-MLP) are highly efficient in all stations. However, the Stacking model has very high coefficient of determination (Gorgan: 0.996, Gonbad: 0.99, KordKoi: 0.99, Bandr-Torkman: 0.996, AliAbad: 0.991 and Minodasht: 0.992) and the lowest MAE (Gorgan: 0.25, Gonbad: 0.08, KordKoi: 0.25, Bandr-Torkman: 0.8, AliAbad: 0.33 and Minodasht: 0.97) and lowest RMSE(Gorgan: 6.849, Gonbad: 9.919, KordKoi: 9.671, Bandr-Torkman: 6.561, AliAbad: 9.123 and Minodasht: 8.73) in all the studied stations. It was also observed that after the Stacking model in all stations, the RF model and then the DL model have higher accuracy than the rest of the models.
کلیدواژه‌های انگلیسی مقاله مدل‌های هوش مصنوعی,استان گلستان,تبخیر و تعرق مرجع
نویسندگان مقاله ام البنی محمدرضاپور |
گروه مهندسی آب، دانشکده آب و خاک، دانشگاه علوم کشاورزی و منابع طبیعی گرگان

هادی سیاسر |
استادیار، گروه کشاورزی، دانشگاه پیام نور، زابل، ایران.

حسین شریفان |
دانشگاه علوم کشاورزی و منابع طبیعی گرگان

نشانی اینترنتی https://www.waterjournal.ir/article_219705_abfd36b9aa1d938bf7859f6cfe9f7a96.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات