مقاله مدلسازی تبخیرو تعرق مرجع با استفاده از مدل تطبیقی نرو فازی و مدل رگرسیون خطی چند متغیره در منطقه ارومیه

word قابل ویرایش
19 صفحه
دسته : اطلاعیه ها
12700 تومان
127,000 ریال – خرید و دانلود

*** این فایل شامل تعدادی فرمول می باشد و در سایت قابل نمایش نیست ***

مدلسازی تبخیرو تعرق مرجع با استفاده از مدل تطبیقی نرو فازی و مدل رگرسیون خطی چند متغیره در منطقه ارومیه
چکیده
یکی ازراه های کاهش تلفات آب درمزارع ، برنامه ریزی صحیح آبیاری میباشد که اساس آن رابرآورد دقیق نیاز آبی گیاهان تشکیل میدهد که ضریبی از تبخیر و تعرق مرجع میباشد. تبخیر و تعرق مرجع یک پدیده چند متغیره وپیچیده است که به عوامل متعدد اقلیمی بستگی دارد. لایسیمتر یکی از دقیق ترین روش های برآورد تبخیر و تعرق است اما استفاده از لایسیمتر مستلزم وقت و هزینه زیادی است از این رو تخمین تبخیر وتعرق با استفاده از پارامترهای هواشناسی و به کاربردن مدل های تجربی انجام میگیرد ولی این مدل ها پارامترهای اقلیمی یکسانی را به کار نمی گیرند. با توجه به اهمیت تخمین دقیق تبخیر و تعرق مرجع و پیچیدگی این پدیده ، لزوم استفاده از روش های جدید داده کاوی را نشان میدهد که این پیچیدگی را در مدل های ریاضی ساده شده با دقت بالا ارائه دهد از این رو در این تحقیق از سیستم استنتاج عصبی – فازی تطبیقی به کمک نرم افزار MATLAB و رگرسیون خطی چند متغیره به کمک نرم افزار SPSS و برنامه R برای تخمین تبخیر و تعرق استفاده شد، به این منظور بر اساس داده های اقلیمی روزانه و داده های ۴ساله لایسیمتری ایستگاه کهریز ارومیه ، مقدار تبخیر و تعرق به روش های مذکور محاسبه گردید، نتایج حاصل از محاسبات نشان داد که سیستم استنتاج عصبی -فازی تطبیقی با یک وردی و تعداد ۴خوشه با شعاع خوشه ٠.۵ و با توجه به شاخص های آماری RMSE،NRMSE ،MAE و R2 به ترتیب برابر با ١٠.١۴(میلی متر در ده روز)، ٠.١٢١، ٧.٨٧(میلی متر در ده روز) و ٠.٧۵۴٣ نسبت به رگرسیون خطی چند متغیره ، همخوانی بیشتری با داده های لایسیمتری منطقه ارومیه دارد.
کلمات کلیدی: تبخیرو تعرق ، رگرسیون خطی چند متغیره ، سیستم نرو فازی تطبیقی ، MATLAB،SPSS .

مقدمه
با توجه به اینکه بخش کشاورزی، مصرف کننده اصلی آب درکشور است لذا میبایست با بهبود مدیریت مصرف آب دراین بخش وافزایش راندمان مصرف آن به نحوه قابل توجهی درمصرف آب صرفه جویی کرد. کمبود آب نه تنها میـزان محصـول را کاهش میدهد بلکه نحوه رشد آن را نیز تغییر داده و ضمن تأثیربر میزان فتوسنتز، بر کیفیت محصول ، تشکیل گـل و تولیـد بذر نیز اثرات منفی به جای میگذارد (١).یکی از راه های کاهش تلفات آب در مزارع ، برنامه ریزی صحیح آبیاری مـیباشـد و اساس این برنامه ریزی را برآورد دقیق نیاز آبی گیاهان تشکیل میدهد که ضریبی از تبخیرو تعرق مرجع است . تبخیرو تعـرق یکی از اجزای اصلی سیکل هیدرولوژی است که برآورد دقیق آن برای خیلی از مطالعـات از قبیـل تـوازن هیـدرولوژیکی آب ، طراحی و مدیریت سیستم های آبی، شبیه سازی میزان محصول کشاورزی و ارزیابی تولید اکوسیستم هـای مرتعـی و جنگلـی در درجه اول اهمیت قرار دارد (٢).
طی نیم قرن گذشته مدل های متعددی به صورت روابط سـاده تجربـی تـا معـادلات پیچیـده دارای مبنـای فیزیکـی، توسـط دانشمندان به منظور برآورد تبخیرو تعرق گیاه مرجع با استفاده از پارامترهای مختلف هواشناسی ارائه شده است . اغلـب ایـن روش ها تحت واسنجی محلی بدست آمده وازاعتبار جهانی محدودی برخوردارند (٣).امروزه محققین بـا ابـداع و پیشـرفت علومی چون روش های هوشمند که ابزاری توانمند، انعطـاف پـذیرو مسـتقل ازمـدل هـای دینـامیکی سیسـتم مـیباشـند، در جستجوی راه هایی برای پیشرفت و پیش بینی پارامترهای مهم هواشناسی می باشند (۴).
هاشمی نجفی (١٣٨۶)، از سیستم استنتاج عصبی –فازی تطبیقی (ANFIS) به منظور تخمین تبخیـرو تعـرق گیـاه مرجـع در منطقه اهواز برای سال های ١٩۵٧ تا ٢٠٠٠ میلادی استفاده کرد، وی آمار ماهانه دمای حداکثرو حداقل ، رطوبت نسبی حـداکثر و حداقل ، سرعت باد و ساعات آفتابی را برای آموزش شبکه ، مورد استفاده قرار داد. در این تحقیق مقدار تبخیرو تعـرق گیـاه مرجع با استفاده از روش استاندارد پنمن -مانتیث -فائو، برآورد شده و نتیجه گرفتند که دقت مـدل در مقایسـه بـا روش هـای تجربی بالا بوده و سیستم فازی –عصبی تطبیقی، قابلیت بالایی در پیش بینی تبخیرو تعرق گیاه مرجع دارد(۵).
عظیمی و همکاران (١٣٩١)، در پژوهشی به بررسی تأثیر پارامترهای هواشناسی برتبخیر-تعرق مرجع بـا اسـتفاده ازسیسـتم استنتاج عصبی – فازی تطبیقی در منطقه تبریز پرداختند و نتایج نشان داد که مـدلی بـا تـابع عضـویت مثلثـی مرکـب از دمـای حداقل ، دمای حداکثرو تابش آفتابی بهترین نتیجه را دارد(۶).
کیسی و همکاران (٢٠٠٧)، دقت مدل شبکه عصبی -فازی را در تخمین تبخیرو تعرق گیاه مرجع ، مورد ارزیـابی قـرار دادنـد.
آن ها با داده های روزانه هواشناسی مانند تابش خورشیدی، دمای هوا، رطوبت نسبی و سرعت باد کـه از دو ایسـتگاه پومونـا و سانتا مونیکا در لس آنجلس بدست آمده بود، به عنوان ورودی های مدل برای تخمین تبخیرو تعرق گیاه مرجع استفاده کـرده و سپس مقایسه ای بین مقادیر بدست آمده از مدل و معادلات تجربی (پنمن ، هارگریوزو…) را انجام دادند. نتـایج مقایسـه نشـان داد که مدل های عصبی -فازی، میتوانند مقدار تبخیرو تعرق گیاه مرجع را به خوبی برآورد کنند(٧).
جیابینگ و همکاران ١(٢٠٠۴)، مقدار تبخیرو تعرق مرجع را در منطقه چین با استفاده از منطق فازی و شبکه عصبی مصـنوعی و ترکیب این دو مدل ، برآورد کرده ونتایج حاصل را با روش پنمن -مانتیث -فائو، مقایسه نمودند و نتیجـه گرفتنـد کـه مـدل ترکیبی با تعداد ساعات آفتابی و حداکثر دما به عنوان داده های ورودی مدل ، نتایج بهتری نسبت به دو مدل دیگر دارد(٨).
هاشمی نجفی (١٣٨۶)، از سیستم فازی –عصبی تطبیقی (ANFIS) به منظور تخمین تبخیرو تعرق گیاه مرجع در منطقه اهواز برای سال های ١٩۵٧ تا ٢٠٠٠ میلادی استفاده کرد، وی آمار ماهانه دمای حداکثرو حداقل ، رطوبت نسـبی حـداکثرو حـداقل ، سرعت باد و ساعات آفتابی را برای آموزش شبکه ، مورد استفاده قرار داد. در این تحقیق مقدار تبخیرو تعـرق گیـاه مرجـع بـا استفاده از روش استاندارد پنمن -مانتیث -فائو، برآورد شده و نتیجه گرفتند که دقت مدل در مقایسه با روش های تجربـی بـالا بوده و سیستم فازی –عصبی تطبیقی، قابلیت بالایی در پیش بینی تبخیرو تعرق گیاه مرجع دارد(۵).
طلایی و همکاران (١٣٩١)، از روش استنتاج فازی -عصبی تطبیقی بـرای مـدل سـازی دبـی رسـوب -دبـی جریـان بـر روی رودخانه هریرود استفاده کردند و در نهایت مدلی با تابع عضویت پی شـکل ، ضـریب تعیـین ٠.٨٩ وخطـای ٠.٠٢ بـه عنـوان مناسب ترین مدل بدست آوردند(۴). احمدوند (١٣٨٨)، در تحقیقی به مدل سازی تأثیر نوسـانات سـطح ایسـتابی بـرمحصـول نیشکر با استفاده از شبکه های عصبی مصنوعی و منطق فازی در کشت و صنعت میرزا کوچک خان پرداخت و به ایـن نتیجـه رسید که مدل ANFIS نسبت به شبکه عصبی با دقت بیشتری می تواند میزان محصول نیشکر را پیش بینی کند(٩).
شایان نژاد (١٣٨۶)، کارایی روش رگرسیون فازی درتخمین تبخیر-تعرق مرجـع روزانـه و مقایسـه آن بـا روش هـای شـبکه عصبی مصنوعی و پنمن -مانتیث -فائو را در منطقه همدان مـورد بررسـی قـرار داد و بـرای ایـن کـار از اطلاعـات اقلیمـی و لایسیمتری ۵ساله ایستگاه هواشناسی اکباتان واقع در ١٠ کیلومتری شـهر همـدان اسـتفاده کـرد. روش رگرسـیون فـازی بـا ۵ پارامتر ورودی شامل حداقل و حداکثر دما، متوسط رطوبت نسبی، ساعات آفتابی و سرعت بـاد دارای ضـریب تعیـین ٠.٨٨ و خطای ٠.۶٩ بوده که نسبت به روش شبکه عصبی وپنمن -مانتیث -فائو، دارای دقت بیشتری است (١٠).
کیسی (٢٠١١)، تبخیر-تعرق مرجع را بااستفاده ازمدل رگرسیون موجک ، مدل سازی کرد ونتایج بدست آمده را باروش های مبتنی بر داده های اقلیمی مقایسه نمود. مدل رگرسیونی موجک در مقایسه با روش هایپنمن ، هارگریوز، ریچی وتورک نتـایج بهتری را درمدل سازی ET٠ روزانه بدست داد(١١).
ماکلین وآیرس (١٩٨۵) با استفاده ازرگرسیون خطی چند متغیره ارتباط بین دمای خاک با پارامترهای هواشناسی را تعیین و با ارائه مدل به برآورد دمای خاک دراعماق ١، ٢، ۵و ١٠ سانتیمتر پرداختند. متغیرهـای مـورد اسـتفاده شـامل ، دمـای هـوا و ابرناکی درروز برآورد، دمای هوا دردوروز قبل ، نسبت ساعات آفتابی وروزفصل بود(١٢).
میر لطیفی (١٣٨٩) برآورد تبخیر و تعرق مرجع با استفاده از مـدل ترکیـب رگرسـیون چندگانـه و تحلیـل مؤلفـه هـای اصـلی
(MLR-PCA) را در ایستگاه کرمان مورد بررسی قرار داد، این مطالعه با استفاده ازداده هـای هواشناسـی روزانـه دوره آمـاری
١٩٩۶-٢٠٠۵انجام گرفت و نتایج حاصل از تحلیل عاملی نشان داد که متغیرهای تابش ، رطوبت نسبی، دمـای حـداقل ، دمـای حداکثرو ساعات آفتابی نسبت به سایر متغیرها از اهمیت بیشتری برخوردارند(١٣)
هدف از این پژوهش ارائه مدل سیستم استنتاج عصبی -فازی تطبیقی و مدل رگرسیون خطی چند متغیره برای تبخیـرو تعـرق مرجع و مقایسه نتایج با داده های لایسیمتری است تا بهترین مدل برای منطقه ارومیه بدست آید.
موادو روش ها منطقه مورد مطالعه
در این پژوهش از اطلاعات تبخیرو تعرق مرجع اندازه گیری شده ایستگاه لایسیمتری کهریز ارومیه استفاده گردیـد. شـکل (١) موقعیت منطقه مورد مطالعه را نشان میدهد. این ایستگاه در ۴٢کیلومتری شهرستان ارومیه و در کنار جاده ارومیه بـه سـلماس قرار دارد و دارای طول جغرافیایی ۴۴۵٩ شرقی، عرض جغرافیایی ٣٧۵٣شمالی و ارتفاع ١٣٢۵ متر از سطح دریا مـی باشـد، اقلیم منطقه مورد مطالعه سرد و نیمه خشک است ، حداکثر درجه حرارت مطلـق ٣٨درجـه ، حـداقل آن ٢٣ درجـه و متوسـط بارندگی در حدود ٣۵٠میلی مترمیباشد. داده های مورد استفاده در این پژوهش مربوط به سال های ١٣٧۵ تـا ١٣٧٨ مـی باشـد.
برای اجرای آزمایش از لایسیمتر زهکش دار بدون سطح ایستابی ثابت استفاده شد، سطح لایسیمتر بـه شـکل مربـع ، طـول هـر
ضلع ١.٢۵ مترو کف آن شیب دار، به طوری که عمق آن دریکی از دو دیواره ١مترو در دیـواره مقابـل ١.٢متـر بـود.
لوله زهکش جهت خارج ساختن زهاب داخل لایسیمتربه قطر ٢.۵ سانتی مترو حدود ٣سانتیمتر از ته لایسیمتر فاصله داشت .
لایسیمتر دور از تمام موانع نصب شد و زمین اطراف لایسیمتربه مساحت ٢٠×٢٠متر مربع به کشت چمـن اختصـاص یافـت
.(۱۴)

شکل ١-تصویر ماهواره ای از منطقه مورد مطالعه .
مدل رگرسیون خطی چند متغیره (MLR١)
تجزیه رگرسیون یک روش آماری برای بررسی رابطه بین متغیرهاست . این روش تقریبـا درکلیـه رشـته هـای علـوم از جملـه مهندسی، فیزیک ، اقتصاد، مدیریت ، علوم زیستی، کشاورزی و علوم اجتماعی ، مورد استفاده واقع میشود.
مدل هایرگرسیونی به شکل هایگوناگون مانند مدل رگرسـیونی سـاده ، چنـد متغیـره ، خطـی و غیرخطـی وجـود دارنـد. در مدل هایرگرسیونی خطی، پارامترهای مدل ،خطـی هسـتند و الزامـا متغیـر وابسـته Y تـابعی خطـی ازمتغیرهـای مسـتقل X
نمی باشد. مدل هایزیادی وجود دارند که Y را به صورت غیر خطی به X ارتباط میدهند ومیتـوان آن هـا را تـا زمـانی کـه معادله ازنظرβ ها خطی باشد با مدل هایرگرسیون خطی بیان نمود. این مدل ها اگر تنها دارای یک متغیر مستقل باشند، ساده واگر دارای بیش ازیک متغیر مستقل باشند، چند متغیره نامیده می شوند (١۵).
مدل های رگرسیونی خطی چندگانه اغلب به صورت توابع تقریب مورد استفاده قرارمیگیرند. در این توابع ، رابطه حقیقی بـین yو x1، x2، ….. و xn نامعلوم است اما در دامنه معینی از متغیرهای مستقل ، روابط رگرسیون خطی تقریبا قابل تعریـف ، مـی – باشند.

که در آن ، Yمتغیر وابسته ، xn ها متغیر مستقل و βi ضرایب رگرسیون نامیده میشوند. تفسیرو استفاده از یک مدل رگرسـیون
چندگانه به برآورد تک تک ضرایب رگرسیونی بستگی دارد. پاره ای از کاربردهای مدل رگرسیون عبارتند از:
-شناسایی اثرات نسبی متغیرهای وابسته ،
-پیشگویی و یا برآورد کردن و
-گزینش مجموعه مناسبی از متغیرها برای مدل .
هدف از بکارگیری این مدل در این پژوهش ، گزینه دوم میباشد،در همه موارد کاربرد تجزیه رگرسیون ، معادله رگرسیونی تنها برآوردی ازرابطه حقیقی بین متغیرهاست و هدف از تحلیل آن ، بدست آوردن ضرایب βمی باشد.
اگر بین متغیرهای مستقل در رگرسیون چندگانه ، رابطه خطی وجود داشته باشد، گفته مـی شـود کـه نامتعامـد هسـتند. در اکثـر موارد، متغیرهای مستقل ، نامتعامد هستند. گاهی نامتعامد بودن ، مشکلاتی را فراهم نمیسـازد امـا در برخـی مـوارد، متغیرهـای مستقل ، همبستگی دارند و در چنین مواردی استنتاج بر مبنای مدل رگرسیون میتواند گمراه کننـده باشـد. در حـالتی کـه بـین متغیرهای مستقل ، همبستگی خطی شدید مشاهده شود، گفته میشود که هم راستایی چندگانه وجود دارد. وجـود هـم راسـتایی چندگانه ،تجزیه رگرسیون را غیرمعتبر نمیسازد ولی نمی توان از ضرایب βبرای رگرسیون خطی اسـتفاده نمـود. متأسـفانه راه حل ساده و روشنی برای مشکل هم راستایی چندگانه وجود ندارد ولی پاره ای از توصیه ها عبارتند از:
-دقت در انتخاب متغیرها و
-تبدیل ها یا ترکیب های جدید از متغیرهای اولیه (١۶).
نرم افزارهای زیادی وجود دارد که به حل مسائل آماری می پردازند از جمله SPSS,MINITAB,R,SAS در ایـن پـژوهش از نرم افزار آماری SPSS V١۶ و برنامه R V٢١٢٢ استفاده شد. در SPSS چندین نوع رگرسیون خطی چند متغیـره وجـود دارد که عبارتند از : رگرسیون هم زمان (Enter)، گام به گـام (Stepwise)، حـذفی (Remove)، پـیش رونـده (Forward)، پس رونده (Backward).
در این پژوهش برای مدل سازی رگرسیون خطی از روش گام به گام استفاده شد. در این روش ، ورود متغیرهای مستقل به مدل به صورت مرحله ای و ازمهمترین متغیر تا کم اهمیت ترین آن هاصورت میگیرد که درجه اهمیت متغیرها با ضریب همبستگی پیرسون تعیین شد.
سیستم استنتاج عصبی -فازی تطبیقی (ANFIS١)
منطق فازی یک فرا مجموعه از منطق بولی است که بر مفهوم درستی نسبی، دلالت میکند. منطق کلاسـیک هـر چیـزی را بـر اساس یک سیستم دو ارزشی نشان میدهد (درست یا غلط ، ٠ یا ١، سیاه یا سفید) ولی منطق فازی درستی هـر چیـزی را بـا یک عدد که مقدار آن بین صفرو یک است نشان میدهد. مثلا اگر رنگ سیاه را عدد صفرو رنگ سفید را عدد ١نشان دهـیم ، آن گاه رنگ خاکستری عددی نزدیک به صفر خواهد بود. این جمله که «آقای الف به اندازه ٧٠%عضـو جامعـه بـزرگ سـالان است »از دید مجموعه های فازی صحیح است (١٧). سیستم هایی که دارای پیچیدگی کم و در نتیجه دارای عـدم قطعیـت کـم هستند را میتوان با استفاده از معادلات ریاضی با دقت بالا مدل سازی نمود. سیستم هایی کـه پیچیـدگی آن بیشـتر اسـت و بـه اندازه کافی داده موجود باشد را میتوان با استفاده از مدل هایی نظیر شبکه عصبی ، مدل سـازی نمـود. در نهایـت ، منطـق فـازی بهترین وسیله برای مدل سازی سیستم هایی است که دارای پیچیدگی زیاد بـوده و داده هـای کـافی از آن هـا موجـود نیسـت یـا اطلاعات موجود مبهم است (١٨). در بین ترکیب های مختلف موجود در محاسبات نرم ، ترکیـب منطـق فـازی بـا شـبکه هـای عصبی در قالب سیستم های Neuro-Fuzzy از جلوه بیشتری برخوردار است . یک روش کارا در این راستا برای اولین بـاردر سال ١٩٩٣ توسط شینگ راجر جانگ ٢تحت عنوان سیستم استنتاج عصبی -فازی تطبیقی (ANFIS)مطرح گردیـد. ANFIS
یک شبکه چند لایه پیشخور میباشد که ازالگوریتم های آموزش شبکه عصـبی ومنطـق فـازی بـرای ایجـاد رابطـه ورودی و خروجی استفاده میکند و توانایی ترکیب مفاهیم زبانی سیستم های فازی راباقدرت عددی شبکه هایعصبی دارا می باشد. بـه همین دلیل میتوان ازآن درشبیه سازی بسیاری ازفرآیندها استفاده کرد. یکی ازمزایای عمده این روش ، استخراج قـوانین از داده هایعددی وساخت تطبیقی پایگاه قوانین می باشد. بزرگترین مشکل این مدل ها، زمان زیـادی اسـت کـه بـرای آمـوزش ساختار وبرآورد پارامترها صرف میشود (١٩).
برای انجام این تحقیق از نرم افزار ٧.١٠ MATLAB V جهت مدل سازی سیستم نرو فازی اسـتفاده شـد. برنامـه ANFIS در یکی از جعبه ابزارهای نرم افزار جامع MATLAB گنجانده شده است . در این مدل ، ابتـدا داده هـا در محـدوده ٠و ١، نرمـال شده سپس به سه مجموعه آموزش ، صحت سنجی و تست تقسیم میشوند و در مرحله بعد، مقادیر حـداقل وحـداکثر داده هـا باید در مجموعه آموزشی قرار بگیرد. همچنین فقط از سیستم های فازی میتوان استفاده نمود که فقط ازنوع تاکاگی -سـوگنو ١ باشند و تنها دارای یک خروجی مطلوب باشند. نکته اصلی در طراحی مدل ANFIS، انتخاب سیسـتم اسـتنتاج فـازی (FIS)
است .
معیارهای ارزیابی
برای ارزیابی روش های مختلف و تعیین بهترین روش برای برآورد تبخیرو تعرق گیاه مرجع از شـش پـارامتر ریشـه میـانگین مربعات خطا (RMSE)، ریشه میانگین مربعات خطای نرمال ٢(NRMSE)، میانگین مطلق خطا٣(MAE)و انحراف میـانگین خطا۴(MBE)و ضریب همبستگی ۵(R٢)استفاده شده است .
-ریشه میانگین مربعات خطا (RMSE)
هرچه مقدار RMSE به صفر نزدیک تر باشد، خطای مدل کمترو دقت مدل بالاترمیباشد.

که در آن :
n: تعداد کل داده های مشاهده ای ، ti: خروجی واقعی و ai :خروجی شبیه سازی شده .
-ریشه میانگین مربعات خطای نرمال (NRMSE)
ریشه میانگین مربعات خطای نرمال بارابطه زیر بیان میشود:

که در آن ، tMax: ماکزیمم خروجی واقعی و tMin: مینیمم خروجی واقعی .
-میانگین مطلق خطا (MAE)
MAE مقدار تطابق با خطای میانگین را بررسی میکند. مقدار مطلوب برای MAE برابـر صـفر اسـت وبـا رابطـه زیـر بیـان
میشود:

-انحراف میانگین خطا (MBE)

مقدار مثبت و مقدار منفی MBE به ترتیب مقدار متوسطی ازبیش برآورد وکم برآورد درمقادیر پیش بینی شده توسط مدل را نشان میدهد. هرچقدر MBE کوچکتر باشد نشانگر عملکرد بهتر مدل میباشد.
-ضریب همبستگی (R)
عددی است بین ١-تا ١+که همبستگی بین دو متغیر را نشان میدهد. اگر با افزایش یـک متغیـر، متغیـر دیگـر افـزایش یابـد، ضریب همبستگی مثبت و اگر با افزایش یکی دیگری کاهش یابد، ضریب همبستگی منفی میباشد. اگر با افزایش یـک متغیـر، متغیر دیگر تغییر نکند، ضریب همبستگی برابر صفر میباشد. معمولا ضریب همبستگی با توان دوم و به صورت R2نشان داده میشود که ضریب تعیین نامیده میشود و ازروابط زیر محاسبه میشود (٩) :

MSE: توان دوم RMSE،ti : میانگین سری ti و ti: خروجی واقعی .
روش انجام پژوهش
در این پژوهش در مرحله اول ، داده های لایسیمتری از مرکز تحقیقات استان آذربایجان غربی تهیه شد که در آن تبخیرو تعـرق مرجع به صورت ده روزه اندازه گیری شده بود. در مرحله دوم ، کلیـه اطلاعـات هواشناسـی ایسـتگاه کلیمـاتولوژی کهریـز بـه صورت روزانه شامل : دمای کمینه ، دمای بیشینه ، سرعت باد در ارتفاع ٢متری، رطوبت نسبی کمینـه ، رطوبـت نسـبی بیشـینه و ساعات آفتابی در بازه زمانی سال های ١٣٧۵ تا ١٣٧٨، از واحد خدمات ماشینی سازمان هواشناسی کل کشور اخـذ گردیـد. در مرحله سوم ، صحت سنجی این داده ها با استفاده از دستورالعمل پیوست ۵مندرج در ۵۶-FAO (٢٠) مورد بررسی قرار گرفـت و داده های پرت شناسایی و حذف شد. در مرحله چهارم برای برآورد داده های مفقود شده از دستورالعمل فصـل ٣منـدرج در
۵۶-FAO (٢٠) استفاده گردید. در مرحله پنجم ، کلیه اطلاعات هواشناسی و سـایر اطلاعـات ایسـتگاه کهریـز از قبیـل ارتفـاع ایستگاه ، طول و عرض جغرافیایی وارد نرم افزار اکسل شد و متوسط ده روزه آن هامحاسـبه گردیـد و در نهایـت پارامترهـای هواشناسی با گام زمانی یکسان و با تعداد متناظر بدست آمد. در مرحله ششم به کمک نرم افـزار ٧.١٠ MATLAB اقـدام بـه شبیه سازی تبخیرو تعرق با استفاده از شبکه عصبی -فازی تطبیقی گردید و در مرحله آخر با توجه بـه معیارهـای ارزیـابی بـه مقایسه عملکرد دو مدل (مدل رگرسیون خطی چند متغیره و شبکه عصبی -فـازی تطبیقـی) نسـبت بـه داده هـای لایسـیمتری ایستگاه کهریز پرداخته شد و در نهایت بهترین مدل انتخاب شد.

این فقط قسمتی از متن مقاله است . جهت دریافت کل متن مقاله ، لطفا آن را خریداری نمایید
word قابل ویرایش - قیمت 12700 تومان در 19 صفحه
127,000 ریال – خرید و دانلود
سایر مقالات موجود در این موضوع
دیدگاه خود را مطرح فرمایید . وظیفه ماست که به سوالات شما پاسخ دهیم

پاسخ دیدگاه شما ایمیل خواهد شد