این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
آبیاری و زهکشی، جلد ۱۵، شماره ۶، صفحات ۱۴۱۲-۱۴۲۰
عنوان فارسی برآورد تبخیر و تعرق گیاه مرجع با استفاده از ANN و ANFIS در اقلیم نیمه‌خشک و خشک
چکیده فارسی مقاله برآورد میزان ﺗﺒﺨﯿﺮ و ﺗﻌﺮق (ETo) که یﮑﯽ از ﻣﺆﻟﻔﻪ‌ﻫﺎی ﭼﺮﺧﻪ ﻫﯿﺪروﻟﻮژیﮏ و هم چنین پارامتری موثر در برنامه‌ریزی آبیاری است، از اهمیت بالایی برخوردار است اما اکثر اوقات محدودیت و یا کمبود داده‌های هواشناسی مانع می‌شود تا بتوان از روش پیشنهادی فائو پنمن مانتیث برای برآورد ETo استفاده کرد. در ﻣﻄﺎﻟﻌﻪ ﺣﺎﺿﺮ ﺑﻪ ﺑﺮرﺳﯽ ﻗﺎﺑﻠﯿﺖ شبکه عصبی مصنوعی (ANN) و ﺳﯿﺴﺘﻢ اﺳﺘﻨﺘﺎج ﻋﺼﺒﯽ ﻓﺎزی ﺗﻄﺒﯿﻘﯽ (ANFIS) در ﺑﻬﺒﻮد ﺗﺨﻤﯿﻦ ﻣﯿﺰان ETo در شرایط کمبود داده پرداخته شده است. داده‌ﻫﺎی اﻗﻠﯿﻤﯽ در این مطالعه ﺷﺎﻣﻞ ساعت تابش، ﺳﺮﻋﺖ ﺑﺎد، دﻣﺎی ﻫﻮای حداقل، حداکثر و متوسط می‌ﺑﺎﺷﺪ ﮐﻪ در پهنای اقلیمی خشک و نیمه‌خشک از 12 ایﺴﺘﮕﺎه سینوپتیک اﺧﺬ ﮔﺮدیﺪه و ﺑﻪ ﻋﻨﻮان ورودی‌ﻫﺎی ﻣﺪل ﺑﺮ اﺳﺎس ﻣﻌﺎدﻟﻪ FAO56-PM در سه حالت ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار ﮔﺮفت. ﻧﺘﺎیﺞ ﺣﺎﺻﻞ از ارزیابی مدل‌ها نشان داد که روش‌های هوش مصنوعی نتایج بهتری را نسبت به روش‌های تجربی ارائه می‌دهند همچنین هر دو مدل ANN و ANFIS با داده‌های ورودی دمای متوسط و سرعت باد بهترین نتایج را ارائه می‌دهند و پس از آن به ترتیب ورودی‌های دمای حداقل و حداکثر و ورودی‌های دمای متوسط و ساعت تابش قرار می‌گیرند و بین دو مدل ANN و ANFIS، مدل ANFIS نتایج بهتری را نشان داد.
کلیدواژه‌های فارسی مقاله اقلیم نیمه خشک و خشک، ایستگاه سینوپتیک کرمان، تبخیر و تعرق، سیستم استنتاج تطبیقی عصبی فازی، شبکه عصبی مصنوعی،
عنوان انگلیسی Estimation of Reference Crop Evapotranspiration Using ANN and ANFIS in Semi-Arid and Dry Climates
چکیده انگلیسی مقاله Estimation of evapotranspiration, which is one of the components of the hydrological cycle and also an effective parameter in irrigation planning, is very important, but often the limitation or lack of meteorological data prevents to use of the proposed method of FAO Penman-Monteith. In the present study, Artificial Neural Network (ANN) and Adaptive-Network-Based Fuzzy Inference System (ANFIS) are discussed in Improvement of estimates the ETo data in the absence of data. Climatic data in this study include radiation hours, wind speed, minimum, maximum, and average air temperature, which were used as model inputs based on the FAO56-PM equation in three stances. The data were obtained from 12 synoptic stations in arid and semi-arid climates. The results of evaluating the models showed that artificial intelligence methods provide better results than experimental methods. Also, both ANN and ANFIS models provide the best results with average temperature and wind speed input data, followed by minimum and maximum temperature inputs, medium temperature inputs and irradiation hours, respectively. Between ANN and ANFIS models, the ANFIS model Showed better results.
کلیدواژه‌های انگلیسی مقاله اقلیم نیمه خشک و خشک, ایستگاه سینوپتیک کرمان, تبخیر و تعرق, سیستم استنتاج تطبیقی عصبی فازی, شبکه عصبی مصنوعی
نویسندگان مقاله محدثه بیدآبادی |
گروه مهندسی آب، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات تهران

حسین بابازاده |
استاد گروه گروه علوم و مهندسی آب، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران

جلال شیری |
دانشیار گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران

علی صارمی |
استادیار گروه صلوم و مهندسی آب، واحد صلوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران

نشانی اینترنتی https://idj.iaid.ir/article_142749_662e11364a4509c5089392acdc0a8ecb.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