مقايسه عملكرد شبكه هاي عصبي rbf و mlp در برآورد تبخير و تعرق گياه مرجع
مقايسه عملكرد شبكه هاي عصبي rbf و mlp در برآورد تبخير و تعرق گياه مرجع
تبخير و تعرق يكي از اجزاي اصلي چرخه هيدرولوژي است. اين فرايند پيچيده به عوامل متعدد اقليمي وابسته است. شبكه هاي عصبي مصنوعي در چند دهه اخير و در مطالعات صورت گرفته براي مدل سازي سيستم هاي پيچيده و غيرخطي قابليت بسيار بالايي از خود نشان داده اند. در تحقيق حاضر امكان استفاده از شبكه هاي با تابع پايه شعاعي (rbf) و شبكه هاي پرسپترون چند لايه (mlp) براي تخمين تبخير و تعرف گياه مرجع مورد مطالعه قرار گرفته است. با استفاده از سري داده هاي هواشناسي سال هاي 1330-1383 ايستگاه تبريز، ابتدا مقادير متوسط تبخير و تعرق ماهانه گياه مرجع از روش استاندارد پنمن - مونتيث (pm)، محاسبه شد. سپس با استفاده از اين مقادير به عنوان خروجي هاي هدف، شبكه هاي مختلفي با ساختار متفاوت تعريف و آموزش داده شد. در نهايت قابليت شبكه براي تخمين تبخير و تعرق با استفاده از قسمتي از داده ها كه در طراحي و يا آموزش شبكه استفاده نشده اند، مورد بررسي قرار گرفت. با بررسي هاي انجام گرفته مشخص شد كه تنها با استفاده از دو پارامتر دماي ميانگين و سرعت باد به عنوان ورودي، مي توان ميزان تبخير و تعرق گياه مرجع را با استفاده از اين دو نوع شبكه با دقت قابل قبولي rmse<0.4081) و r2>0.976 براي مجموعه صحت سنجي) تخمين زد. همچنين با مقايسه نتايج حاصل از دو شبكه مشخص شد كه شبكه هاي mlp نسبت به rbf در تخمين تبخير و تعرق گياه مرجع از دقت نسبتا بيشتري برخوردارند و تنها مزيت شبكه هاي rbf زمان كمتر مورد نياز براي آموزش است.
كليد واژه: تبخير و تعرق گياه مرجع، روش پنمن - مونتيث، شبكه هاي با تابع پايه شعاعي، شبكه هاي پرسپترون چند لايه
|