مقاله برآورد تبخیر- تعرق مرجع روزانه با استفاده از سیستم استنتاج تطبیقی عصبی- فازی(ANFIS)- مطالعه موردی ایستگاه کرمان

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

  مقاله برآورد تبخیر- تعرق مرجع روزانه با استفاده از سیستم استنتاج تطبیقی عصبی- فازی(ANFIS)- مطالعه موردی ایستگاه کرمان دارای ۱۲ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله برآورد تبخیر- تعرق مرجع روزانه با استفاده از سیستم استنتاج تطبیقی عصبی- فازی(ANFIS)- مطالعه موردی ایستگاه کرمان  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 برآورد تبخیر- تعرق مرجع روزانه با استفاده از سیستم استنتاج تطبیقی عصبی- فازی(ANFIS)- مطالعه موردی ایستگاه کرمان،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقاله برآورد تبخیر- تعرق مرجع روزانه با استفاده از سیستم استنتاج تطبیقی عصبی- فازی(ANFIS)- مطالعه موردی ایستگاه کرمان :

تعداد صفحات:۱۲

چکیده:

تبخیر- تعرق یکی از اجزای اصلی چرخه هیدرولوژی بوده و تعیین دقیق آن برای مطالعات بیلان آبی، نیاز آبیاری ومدیریت منابع آب ضروری است. این تحقیق با هدف بررسی دقت سیستم استنتاج تطبیقی عصبی- فازی(ANFIS) در برآورد تبخیر- تعرق مرجع روزانه(ET) با استفاده از حداقل داده های هواشناسی به انجام رسید. بر این اساس ترکیب های مختلفی از داده های روزانه هواشناسی ایستگاه کرمان، شامل ساعات آفتابی، دمای هوا، رطوبت نسبی و سرعت باد به عنوان ورودی، و تبخیر- تعرق مرجع محاسبه شده با روش فائو پنمن- مانتیث به عنوان خروجی ANFIS استفاده شد. برآوردهای ET از روش ANFIS با شبکه عصبی مصنوعی(ANN)، رگرسیون خطی چند گانه (MLR) و مدل های تجربی ماکینک، پریستلی- تیلور، هارگریوز- سامانی، فائو بلانی- کریدل و ریچی مورد مقایسه قرار گرفت. کارایی روش های مورد مقایسه، با استفاده از آمارهای ریشه میانگین مربع خطا(RMSE)، خطای انحراف میانگین (MBE) و ضریب تعیین (R²)، مورد ارزیابی قرار گرفت. مدل ANFIS85 تنها با سه پارامتر ورودی شامل تشعشع خورشیدی، دمای حداکثر هوا و سرعت باد، و RMSE=0/228, MBE=./173, R²=./۹۸۴ نسبت به مدل های ANN,MLR و تمامی روش های تجربی مورد استفاده از دقت بالاتری برخوردار است.