مقایسه برآوردهای تبخیرتعرق مرجع روزانه با روش های داده کاوی و سامانه نیاز آبی گیاهان در استان البرز

سال انتشار: 1402
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 55

فایل این مقاله در 14 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_AGRIMET-11-2_002

تاریخ نمایه سازی: 17 دی 1402

چکیده مقاله:

تبخیرتعرق مرجع (ET۰) عامل مهمی در تعیین نیاز آبی و برنامه ریزی آبیاری گیاهان است و برای تخمین آن،، معمولا از روش نسبتا دقیق پنمن مانتیث فائو ۵۶، استفاده می شود. هدف از این پژوهش ارزیابی عملکرد روش های شبکه عصبی مصنوعی (ANNs)، جنگل تصادفی (RF) و ماشین بردار پشتیبان (SVM) برای تخمین مقدار ET۰ روزانه دراستان البرز است. در این پژوهش از داده های ده ساله (۱۳۸۹ تا ۱۳۹۹) پنج ایستگاه سینوپتیک استان شامل (مشکین دشت، هشتگرد، اشتهارد، طالقان و کرج) استفاده شد و نتایج حاصل با داده های سامانه نیازآبی گیاهان مورد مقایسه قرار گرفت. نتایج نشان داد که برآورد مقدار ET۰ روزانه به روش ANN بر اساس برآوردهای سامانه پیشنهادی، دقت بالاتری نسبت به سایر روش ها دارد. در ایستگاه مشکین دشت، مقادیر آماره های EF و NRMSE در روش ANN برای هر دو مرحله آموزش و آزمون به ترتیب برابر با ۹۶/۰ و ۱۱/۰، و در روش RF به ترتیب برای آموزش برابر با ۹۶/۰ و ۱۱/۰، و برای آزمون برابر با ۹۵/۰، و ۱۲/۰ به دست آمد. در ایستگاه کرج، مقادیر آماره های EF و NRMSE در روش ANNs به ترتیب برای آموزش برابر با ۹۶/۰ و ۱۱/۰، و برای آزمون برابر با ۹۵/۰، و ۱۲/۰، و در روش RF برای آموزش به ترتیب برابر با ۹۶/۰ و ۱۲/۰، و برای آزمون برابر با ۹۵/۰، و ۱۳/۰ به-دست آمد. با توجه به بالا بودن دقت تخمین مقدار ET۰ روزانه به روش های ANNs و RF می توان این دو روش را جهت تخمین ET۰ روزانه برای استان البرز توصیه کرد.

کلیدواژه ها:

نویسندگان

آزاده صداقت

محقق موسسه تحقیقات خاک و آب، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرج، ایران

آرش تافته

استادیار موسسه تحقیقات خاک و آب، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرج، ایران

نیازعلی ابراهیمی پاک

دانشیار موسسه تحقیقات خاک و آب، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرج، ایران

سیده نرگس حسینی

محقق موسسه تحقیقات خاک و آب، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرج، ایران

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 :
  • Adab, H., Morbidelli, R., Saltalippi, C. Moradian M., Ghalhari, G. ...
  • Alexandris, S., Proutsos., N. ۲۰۲۰. How significant is the effect ...
  • Allawi, M. F., Binti Othman, F., Afan, H. A., Ahmed, ...
  • Allen, R.G., Pereira, L.S., Howell, T.A., Jensen, M.E. ۲۰۱۱. Evapotranspiration ...
  • Allen, R. G., Pereira, L. S., Raes, D., Smith, M. ...
  • Alves, W.B., Rolim, G.D.S., Aparecido, L.E., de, O. ۲۰۱۷. Reference ...
  • Antonopoulos, V.Z., Antonopoulos, A. V. ۲۰۱۷. Daily reference evapotranspiration estimates ...
  • Aytek A. ۲۰۰۸. Co-active neuro-fuzzy inference system for evapotranspiration modeling. ...
  • Berry, W. D. ۱۹۹۳. Understanding Regression Assumptions. Sage Publications, London ...
  • Breiman, L. ۲۰۰۱. Random forests. Machine Learn. ۴۵, ۵–۳۲ ...
  • Cai, D., You, Q., Fraedrich, K., Guan, Y. ۲۰۱۷. Spatiotemporal ...
  • Chattopadhyay, N., Hulme, M. ۱۹۹۷. Evaporation and potential evapotranspiration in ...
  • Dinpashoh, Y., Jhajharia, D., Fakheri-Fard, A., Singh, V.P., Kahya, E., ...
  • Fan, J., Wu, L., Zhang, F., Xiang, Y., Zheng, J. ...
  • Fazeli Khiavi, A., Salahi, B., Goodarzi, M. ۲۰۲۰. Assessment effects ...
  • Ferreira, L., da, B., Cunha, F. F., de Oliveira, R. ...
  • Gopinathan, K.K. ۱۹۸۸. A general formula for computing the coefficients ...
  • Goudarzi, M., Salahi, B., Hosseini, S. A. ۲۰۱۸. Estimation of ...
  • Hagan, M.T., H.B. Demuth and M.H. Beale ۱۹۹۶. Neural Network. ...
  • Hocking, R.R. ۲۰۱۳. Methods and Applications of Linear Models, Regression ...
  • Huo, Z., Feng, S., Kang, S., Dai, X. ۲۰۱۲. Artificial ...
  • Karimipour, A., Banitalebi, G. ۲۰۲۰. Sensitivity analysis of meteorological data ...
  • Kisi, O., Alizamir, M. ۲۰۱۸. Modelling reference evapotranspiration using a ...
  • Kumar M., Raghuwanshi N.S., Singh R., Wallender W.W., Pruitt W.O. ...
  • Lin C.H., Chao C., Chen W.F. ۲۰۰۸. Estimation regional evapotranspiration ...
  • Liu, C.M., Zhang, D., Liu, X.M., Zhao, C.S. ۲۰۱۲. Spatial ...
  • Luo, Y., Gao, P., Mu, X. ۲۰۲۱. Influence of meteorological ...
  • Mehrazar, A., Massah Bavani, A., Mashal, M., Rahimikhoob, H. ۲۰۱۸. ...
  • Onyutha, C. ۲۰۱۶. Statistical analyses of potential evapotranspiration changes over ...
  • Picton, P. ۲۰۰۰.Neural Networks, ۲nd edn. Palgrave, New York ...
  • Poormohammadi, S., Malekinezhad, H., Rahimian, M. H. ۲۰۱۰. Investigating the ...
  • Raziei, T., Daneshkar Arasteh, P., Saghafian, B. ۲۰۰۵. Annual rainfall ...
  • Salarian, M., Najafi, M., Nagafi, K., Eslamiyan, S. S., Heidari, ...
  • Sandhu, R., Irmak, S. ۲۰۲۰. Performance assessment of Hybrid-Maize model ...
  • Sedaghat, A., Shahrestani, M. S., Noroozi, A. A., Nosratabad, A. ...
  • Seifi, A., Mirlatifi, S.M., Riahi, H. ۲۰۱۱. Developing a Combined ...
  • Seo, S. ۲۰۰۶. A review and comparison of methods for ...
  • Shiri, J., Nazemi, A.H., Sadraddini, A.A., Landeras, G., Kisi, O., ...
  • Shiri, J. ۲۰۱۷. Evaluation of FAO۵۶-PM, empirical, semi-empirical and gene ...
  • Singh A., Haghverdi, A., Öztürk, H.S., Durner, W. ۲۰۲۰. Developing ...
  • Su, X.L., Song, Y., Niu, J.P., Ji, F. ۲۰۱۵. Sensitivity ...
  • Ungaro, F., Calzolari, C., Busoni, E. ۲۰۰۵. Development of pedotransfer ...
  • Vapnik, V.N. ۲۰۰۰. The nature of statistical learning theory, ser. ...
  • Wen, X., Si, J., He, Z., Wu, J., Shao, H., ...
  • Willmott, C.J. ۱۹۸۲. Some comments on the evaluation of model ...
  • Willmott. C.J., Robeson, S.M., Matsuura, K. ۲۰۱۲. A refined index ...
  • Yang, L., Feng, Q., Li, C., Si, J., Wen, X., ...
  • Yassin, M.A., Alazba, A.A., Mattar, M.A. ۲۰۱۶. Artificial neural networks ...
  • نمایش کامل مراجع