مقایسه کارآیی روش های هوشمند و آماری در بازسازی داده های ساعت آفتابی (مطالعه موردی: شرق حوضه دریاچه ارومیه)

سال انتشار: 1401
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 124

فایل این مقاله در 10 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_AGRIMET-10-2_003

تاریخ نمایه سازی: 29 فروردین 1402

چکیده مقاله:

یکی از متغیرهای هواشناسی که در مطالعات اقلیمی و برآورد تبخیرتعرق اهمیت زیادی داشته و عموما دارای خلا.های آماری نسبتا زیادی می باشد، ساعات آفتابی است. در پژوهش حاضر به منظور باز سازی داده های این کمیت در ایستگاه های تبریز، سراب، سهند و مراغه در دوره آماری ۱۳۶۹ تا ۱۳۹۸ از روش های هوشمند رگرسیون ماشین بردار پشتیبان (SVR)، شبکه های عصبی مصنوعی (ANN) و جنگل های تصادفی (RF) و روش های آماری شامل نسبت نرمال (NR)، مختصات جغرافیایی (GC) و ضریب همبستگی وزنی (CCW) استفاده شده است. ، برای ارزیابی و مقایسه نتایج از شاخص های ضریب همبستگی، جذر میانگین مربعات خطا، میانگین انحرافات مطلق و دیاگرام تیلور استفاده گردید. نتایج نشان داد که در حالت کلی، روش های ANN و مختصات جغرافیایی به ترتیب در بین روش های هوشمند و آماری، بالاترین دقت را در بازسازی داده های ساعات آفتابی دارند. در ایستگاه های تبریز و سهند، روش مختصات جغرافیایی به ترتیب با RMSE معادل ۰۴/۱ و ۱۳/۱ ساعت، در سراب روش SVR با RMSE معادل ۵۸/۱ ساعت و در مراغه روش نسبت نرمال با RMSE معادل ۴۵/۱ ساعت، بالاترین دقت را در بازسازی داده های ساعات آفتابی دارند. همچنین روش RF، کمترین دقت را بازسازی داده های ساعت آفتابی از خود نشان داد. به عنوان یک نتیجه کلی چنین می توان بیان نمود که در ایستگاه های تبریز، سراب و سهند، هر دو دسته روش های هوشمند و آماری دقت تقریبا مشابهی دارند ولی در ایستگاه مراغه، روش های آماری برآوردهای دقیق تری در بازسازی داده های ساعات آفتابی دارند.

نویسندگان

وحید مونس خواه

دانشجوی دکتری آبیاری و زهکشی، گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز

محمد خالدی علمداری

دانشجوی دکتری آبیاری و زهکشی، گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز

معین هادی

دانشجوی دکتری آبیاری و زهکشی، گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز

سعید صمدیان فرد

گروه مهندسی آب، دانشگاه تبریز

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Armanuos, AM., Al-Ansari, N., Yaseen, ZM. ۲۰۲۰. Cross assessment of ...
  • Bayat, K., Mirlatifi, SM. ۲۰۰۹. Estimation of global solar radiation ...
  • Boser, BE., Guyon, IM., Vapnik, VN. ۱۹۹۲. A training algorithm ...
  • Breiman, L. ۲۰۰۱. Random forests. Machine Learning, ۴۵(۱): ۵-۳۲ ...
  • Coulibaly, PND., Evora B. ۲۰۰۷. Comparison of neural network methods ...
  • Fooladmand, HR. ۲۰۱۲. Comparing reference evapotranspiration using actual and estimated ...
  • Gleckler, PJ., Taylor, KE., Doutriaux, C. ۲۰۰۸. Performance metrics for ...
  • Hasanpour, M., Dinpashoh, Y. ۲۰۱۲. Evaluation of efficiency of different ...
  • Jin, J. ۲۰۱۲. A random forest based method for urban ...
  • Karbasi, M. ۲۰۱۶. Reconstruction of missing data of monthly total ...
  • Kuan, CM., White, H. ۱۹۹۴. Artificial neural networks: An econometric ...
  • Menhaj, MB. ۲۰۰۵. Computational intelligence-volume I: Fundamentals of neural networks. ...
  • Paulhus, JLH., Kohler, MA. ۱۹۵۲. Interpolation of missing precipitation records. ...
  • Piri, J., Ansari, H., Farid-Hosseini, A. ۲۰۱۳. Modeling ground-reached solar ...
  • Talebizadeh, M., Morid, S., Ayyoubzadeh, SA., Ghasemzadeh, M. ۲۰۰۹. Uncertainty ...
  • Taylor, KE. ۲۰۰۱. Summarizing multiple aspects of model performance in ...
  • Teegavarapu, RSV., Chandramouli, V. ۲۰۰۵ Improved weighting methods, deterministic and ...
  • Vapnik, VN. ۱۹۹۵. The Nature of statistical learning theory. Springer, ...
  • Vapnik, VN. ۱۹۹۸. Statistical learning theory. Wiley, New York ...
  • Young, KC. ۱۹۹۲. A Three-way model for interpolating for monthly ...
  • نمایش کامل مراجع