عنوان پایان‌نامه
ارزیابی مقایسه ای مدل های شبکه مصنوعی و روابط تجربی در برآورد تبخیرتعرق واقعی (مطالعه موردی :حوضه معرف امامه)
- رشته تحصیلی
- مهندسی‌کشاورزی-آبیاری و زهکشی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 39719;کتابخانه پردیس ابوریحان شماره ثبت: 177
- تاریخ دفاع
- ۱۲ بهمن ۱۳۸۷
- دانشجو
- علی محمودی
- استاد راهنما
- علی رحیمی خوب
- چکیده
- چکیده تبخیرو تعرق واقعی یکی از اجزای مهم چرخه ی آب و تعیین بیلان آبی حوزه های آبریز محسوب می شود. تعیین صحیح آن در مدیریت منابع آب، احداث سدها، مهار و تنظیم آب های سطحی، از مهمترین دغدغه مهندسان علوم آب می باشد. در این تحقیق مدل های شبکه عصبی مصنوعی و معادلات تجربی پهن رفت-خشکی، گرانگروگری و ترکیبی در برآورد تبخیرو تعرق واقعی با استفاده از پارامترهای اقلیمی مورد بررسی قرار گرفت. تبخیروتعرق ماهانه حوزه آبریز امامه بوسیله معادله بیلان آب تعیین و به عنوان خروجی و سنجش مدل های نامبرده استفاده شد. معادله ترکیبی با ضریب تعیین 84/0 و مجذور میانگین مربعات خطای 46/0 میلیمتر بر روز در مقایسه با سایر روابط تجربی، از دقت بالاتری برخوردار بوده است. از بین 14 ترکیب مختلف از پارامترهای اقلیمی، بردار ورودی دمای هوای کمینه و بیشینه و تبخیر از تشتک (ANN5) با ضریب تعیین 88/0 و مجذور میانگین مربعات خطای 32/0 میلیمتر بر روز در مقایسه با سایر مدل ها از دقت بالاتری برخوردار بوده است. بردار ورودی دمای هوای کمینه و بیشینه(ANN1)، با ضریب تعیین83/0، کمترین دقت را به خود اختصاص داده و در مقایسه با معادله ترکیبی که به هشت پارامتر اقلیمی نیاز دارد تفاوت یک درصدی بین ضریب تعیین آنها وجود دارد. ضریب تعیین مدل ANN14 که ورودی مشابهی با معادله ترکیبی دارد تنها دو درصد بیشتر از معادله ترکیبی است. همچنین بردار ورودی دمای هوا و سرعت باد (ANN3) با ضریب تعیین 87/0، به دلیل دقت بالاتر نسبت به مدل ANN1 و داده مورد نیاز کمتر نسبت به مدل ANN5، مدلی کاربردی خواهد بود. نتایج نشان داد، با استفاده از شبکه عصبی می توان تبخیروتعرق واقعی را از داده های محدود هواشناسی با حدود شش درصد دقت بیشتر در مقدار ضریب تعیین در مقایسه با معادله ترکیبی برآورد نمود. واژه های کلیدی : تبخیروتعرق واقعی، بیلان آبی، شبکه های عصبی مصنوعی، معادلات تجربی
- Abstract
- Abstract Actual evapotranspiration is an basic term in the hydrology circle and water balance of catchment. Correct determines in the hydrological balance, water resources management, make dams and surface water regulate is important problem for water engineering. In this research an artificial neural network, with multilayer perception tructure, and empirical equations Advection–Aridity, Granger and Gray and Combination Equations was adapted and evaluated to model this important by means of conventional climatic data that record in the climatical stations. The estimates of the models are also compared with those of the monthly actual evapotranspiration of emameh catchment by means of water balance equation. Combination Equation with coefficient of determination 0.84 and root mean square error 0.46 performed better than the other empirical models. The best ANN model between 14 different combination and empirical model is ANN5 model with minimum, maximum temperature and pan evaporation in the model input and with coefficient of determination 0.88 and root mean square error 0.32 milimeter in day. Minimum and maximum temperature in the model input (ANN1) , with 0.83 coefficient of determination is lowest results but in compare Combination Equation with eight climate parameter input exist only one percent deferent between coefficient of determination . coefficient of determination in ANN14 model is two percent beter than with Combination Equation. also ANN3 model with coefficient of determination 0.87 and accuracy 0.32 milimeter in each day, with only combination of air temperature and wind speed is appropriate model in order to superior accuracy toward ANN1 model and Lesser requirement data toward ANN5 model. the result of research show that actual evapotranspiration can be estimated successfully with six percent in coefficient of determination in compure with Combination Equation by means of climate data available. Key word : actual evapotranspiration, water balance analysis, artificial neural network, empirical equations
