دانش رسان |
مرکز علم و دانش کشور مقاله پیش‌بینی تبخیر-تعرق مرجع ایستگاه سینوپتیک اهواز با استفاده از مدل ترکیبی موجک – شبکه عصبی GMDH
در حال بارگذاری
توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد
مقاله پیش‌بینی تبخیر-تعرق مرجع ایستگاه سینوپتیک اهواز با استفاده از مدل ترکیبی موجک – شبکه عصبی GMDH دارای ۱۳ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است
فایل ورد مقاله پیش‌بینی تبخیر-تعرق مرجع ایستگاه سینوپتیک اهواز با استفاده از مدل ترکیبی موجک – شبکه عصبی GMDH کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه و مراکز دولتی می باشد.
توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی مقاله پیش‌بینی تبخیر-تعرق مرجع ایستگاه سینوپتیک اهواز با استفاده از مدل ترکیبی موجک – شبکه عصبی GMDH،به هیچ وجه بهم ریختگی وجود ندارد
بخشی از متن مقاله پیش‌بینی تبخیر-تعرق مرجع ایستگاه سینوپتیک اهواز با استفاده از مدل ترکیبی موجک – شبکه عصبی GMDH :
تعداد صفحات :۱۳
سابقه و هدف: تخمین دقیق مقدار تبخیر-تعرق مرجع برای انجام بسیاری از تحقیقات ضروری و از مهم‌ترین مسائل در طرح‌های آبیاری و زهکشی و منابع آب به شمار می‌رود. یکی از این مسائل که می‌تواند در راستای اهداف ذکرشده اعمال شود، پیش‌بینی تبخیر-تعرق مرجع برای آینده است تا بتوان با برنامه‌ریزی‌های مناسب، امکان استفاده بهتر از منابع موجود را فراهم نمود (۷). در سال‌های اخیر استفاده از روش‌های هوش مصنوعی و مدل هیبریدی بر پایه موجک در پیش‌بینی پارامترهای هیدرولوژیکی بسیار متداول گشته است (۱۲). هدف تحقیق حاضر استفاده از دو مدل GMDH و موجک-GMDH در پیش‌بینی تبخیر-تعرق مرجع روزانه در ایستگاه سینوپتیک اهواز است. مواد و روش‌ها:. بدین منظور یک دوره آماری ۱۰ ساله (۲۰۰۰ الی ۲۰۰۹) که ۷ سال (۲۰۰۰-۲۰۰۶) آن برای آموزش و ۳ سال (۲۰۰۷-۲۰۰۹) جهت آزمون و صحت سنجی مدل‌های پیشنهادی در نظر گرفته شد. برای ایجاد سری زمانی تبخیر-تعرق مرجع روزانه در دوره مورد نظر از معادله استاندارد پنمن-مانتیث فائو ۵۶ استفاده گردید. ۹ ترکیب مختلف از داده‌های ورودی (تأخیرهای مختلف) و انواع موجک‌های مادر (۱۳ موجک مادر) مورد ارزیابی قرار گرفت. در مجموع ۱۲۶ مدل که ۱۱۷ عدد از آن‌ها مربوط به مدل هیبریدی موجک-GMDH و ۹ مدل شبکه عصبی GMDH بود، اجرا گردید. برای انتخاب بهترین مدل از معیارهای آماری نظیر ضریب تبیین (R2)، ریشه میانگین مربعات خطا (RMSE) و درصد متوسط خطا (MARE) استفاده شد. یافته‌ها: نتایج نشان داد که مدل هیبریدی موجک-GMDH (با RMSE 31/0 میلی‌متر بر روز) در مقایسه با مدل شبکه عصبی GMDH (با RMSE 22/1 میلی‌متر بر روز) دارای توانایی و دقت بالاتری در پیش‌بینی تبخیر-تعرق مرجع روزانه است. همچنین نتایج نشان داد که استفاده از تأخیرهای زمانی بیشتر از چهار روز تأثیر چندانی بر دقت مدل‌ها ندارد و در برخی موارد می‌تواند موجب کاهش دقت نیز گردد. نتایج تحقیق حاضر با تحقیقات مشابه که از تبدیل موجک برای پیش پردازش داده ها استفاده نموده اند، مطابقت دارد (۱، ۴، ۵ و ۱۲). بررسی انواع موجک‌های مادر نیز نشان داد که استفاده از موجک میر به علت پیچیدگی بیشتر باعث افزایش دقت مدل‌ها می‌گردد. یافته فوق با نتایج رجایی و ابراهیمی(۲۰۱۴)، شعیب و همکاران(۲۰۱۵) و طوفانی و همکاران (۲۰۱۲) مطابقت دارد(۱۳، ۱۵ و ۱۷). نتیجه‌گیری: نتایج این تحقیق نشان داد که مدل موجک- GMDH (درصد متوسط خطای مطلق ۵۳/۵) در پیش‌بینی تبخبر-تعرق مرجع برای یک روز بعد برتری چشم‌گیری بر مدل GMDH ( درصد متوسط خطای ۱۱/۲۲) دارد. از نتایج تحقیق حاضر می‌توان در برنامه‌ریزی آبیاری منطقه موردمطالعه استفاده نمود. در پایان پیشنهاد می‌گردد، مدل‌های پیشنهادی در اقلیم‌های مختلف ایران نیز مورد بررسی و ارزیابی قرار بگیرند.
- در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.
