این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
آبیاری و زهکشی، جلد ۱۰، شماره ۵، صفحات ۵۷۰-۵۸۰
عنوان فارسی بازسازی داده‌های مفقوده مجموع ماهیانه ساعات آفتابی با استفاده از شبکه‌های عصبی مصنوعی
چکیده فارسی مقاله تبخیر-تعرق گیاه مرجع یکی از عوامل مهم چرخه هیدرولوژیکی است که باید در طرح سیستم‌های آبیاری، تاسیسات آبی، مطالعات زهکشی و هیدرولوژیکی برآورد شود. یکی از داده‌های موردنیاز برای محاسبه این پارامتر بااهمیت، مقدار تابش خورشیدی می‌باشد که در صورت عدم وجود داده‌های آن از مجموع ماهیانه ساعات آفتابی استفاده می‌شود. با توجه به اینکه در اکثر ایستگاه‌های هواشناسی کشور در سال‌های گذشته داده‌های مربوط به مجموع ماهیانه ساعات آفتابی موجود نمی‌باشد، نیاز به بازسازی داده‌های مربوط به آن احساس می‌شود. در تحقیق حاضر با استفاده از دو نوع شبکه عصبی مصنوعی MLP و RBF و همچنین داده‌های هواشناسی ایستگاه هدف و ایستگاه‌های مجاور اقدام به بازسازی داده‌های مجموع ماهیانه ساعات آفتابی گردید. نتایج این تحقیق نشان داد که می‌توان با استفاده از داده‌های هواشناسی ایستگاه هدف و ایستگاه‌های مجاور، مجموع ماهیانه ساعات آفتابی را با دقت بالایی بازسازی کرد. نتایج سناریوهای مختلف اعمال شده نشان داد که درصورتی‌که صرفا از داده‌های هواشناسی ایستگاه هدف استفاده شود می‌توان با پارامترهای هواشناسی حداقل و حداکثر دما، رطوبت نسبی متوسط، تابش فرازمینی و تعداد روزهای صاف، ابری و نیمه‌ابری با RMSE، 79/16 ساعت و درصد خطای متوسط 44/6 درصد مجموع ماهیانه ساعات آفتابی را تخمین زد. همچنین درصورتی‌که تنها از داده‌های ایستگاه مجاور استفاده شود، استفاده از ایستگاه‌های بیش­تر منجر به افزایش دقت می‌شود (RMSE، 25/14 ساعت و درصد خطای متوسط 71/5 درصد). بهترین نتیجه زمانی به دست آمد که از هر دو سری داده هواشناسی ایستگاه هدف و ایستگاه‌های مجاور استفاده شود (RMSE، 78/13 و درصد خطای متوسط 97/4 درصد). مقایسه عملکرد دو شبکه عصبی مصنوعی MLP و RBF نشان داد که دقت شبکه عصبی مصنوعی MLP تا حدودی بیش­تر از شبکه عصبی RBF می‌باشد. در پایان نیز سری زمانی تبخیر- تعرق مرجع برای سال‌هایی که داده مجموع ماهیانه ساعات آفتابی موجود نبود، بازسازی گردید.
کلیدواژه‌های فارسی مقاله بازسازی داده،تبخیر-تعرق،شبکه‌ عصبی،مجموع ماهیانه ساعات آفتابی،
عنوان انگلیسی Reconstruction of Missing Data of Monthly Total Sunshine Hours Using Artificial Neural Networks
چکیده انگلیسی مقاله Reference crop evapotranspiration is one of the important factors of hydrological cycle. This parameter is used to design irrigation systems, hydraulic structures and drainage systems. One of data that required to calculate the amount of reference crop evapotranspiration is solar radiation which in the absence of this data, monthly sunshine duration data will be used. At the most of the weather stations of Iran the data of monthly total sunshine hours is not available at previous years, so the need to rebuild the data is felt. In the present study two kind of artificial neural network model (MLP and RBF) and meteorological data of target station and monthly total sunshine hours of neighbor stations are used to rebuild the missing data. The results showed that using data from meteorological data of target station and neighbor station, the total monthly sunshine reconstructed with high precision. The results of the different scenarios showed that if only the meteorological of target station such as minimum and maximum temperature, average relative humidity, solar radiation, extraterrestrial radiation and straight, dark and cloudy days number is used, with a precision of RMSE=16.79 hour and MAR=6.44% the monthly total sunshine hours is estimated. Also if only the data from nearby stations is used, the estimates would be more conducive to accuracy (RMSE=14.25 hour and MARE=5.71%). The best results were obtained when both weather data set of target station and adjacent stations are used (RMSE=13.78 hour and MARE=4.97%). Comparison of the performance of the ANN-MLP and RBF ANN-MLP showed that the accuracy of MLP neural network is somewhat greater. Finally the time series of monthly total sunshine hours and reference evapotranspiration were renovated.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله مسعود کرباسی |
استادیار گروه مهندسی آب دانشگاه زنجان، زنجان، ایران

نشانی اینترنتی http://idj.iaid.ir/article_55416_b399d9d6324d8a3532f7403bbc3181b7.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/552/article-552-790919.pdf
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