الهام قربانی - دانشجوی کارشناسی ارشد
محمدجواد منعم - دانشیاردانشگاه تربیت مدرس، گروه سازه های آبی
مصطفی اصلانی - دانشجوی دکتری دانشگاه تربیت مدرس، گروه سازه های آبی

شاخص بهره وری از شاخصهای اساسی در تخمین عملکرد شبکه ها خصوصا در شرایط کمبود آب میباشد. برای این منظور میبایست با مدلهای هیدرودینامیک تعیین و پس از آن مدلهای زراعی جهت تعیین میزان محصول برداشت شده اجرا گردند. شبکه های عصبی مصنوعی با استفاده از تکنیک هوش مصنوعی اقدام به آموزش یک سیستم برای خود و از آن برای مدل سازی داده های واقعی استفاده میکنند. در مقایسه با شبکه های عصبی مرسوم مانند MLP، روش RBF بدلیل استفاده از تکنیک شعاعی و اجرای تابع فعال ساز در فاز اول مدلسازی نتایج را سریعتر و با دقت بیشتر ارایه میدهند.در این تحقیق، 675 سناریو تحت شرایط مختلف آبیاری با استفاده از مدل Aquacrop به منظور آموزش و آزمون شبکه عصبی RBF مورد استفاده قرار گرفتهاند. شبکه عصبی توسعه یافته برای تخمین میزان محصول برداشت شده و مقدار ماده خشک محصول در شرایط مختلف آب در دسترس %100)، %80 و (%60، برای یک بازه از شبکه عقیلی تنظیم شده است .با استفاده از این روش میزان بهرهوری در سیزده آبگیر کانال محاسبه شد. بهره وری محاسبه شده به روش RBF در مقایسه با روش MLP ، برای سه سناریو آب دسترس بهطور میانگین به ترتیب و به میزان 4,77، 5,16 و 5,75 درصد در سناریوهای مختلف بهبود یافته است.

بهره وری، شبکه های آبیاری، روش شبکه عصبی مصنوعی .RBF