عنوان پایان‌نامه
مدل شبکه عصبی برآورد تبخیراز تشت با حداقل داده هواشناسی برای مناطق مرطوب و نیمه مرطوب
- رشته تحصیلی
- مهندسی‌کشاورزی-آبیاری و زهکشی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 41304;کتابخانه پردیس ابوریحان شماره ثبت: 207
- تاریخ دفاع
- ۱۵ اردیبهشت ۱۳۸۸
- دانشجو
- سامره مهدوی تالار پشتی
- استاد راهنما
- علی رحیمی خوب
- چکیده
- تبخیر یکی از مولفه¬های اصلی چرخه آب در طبیعت است که نقش اساسی در مطالعات کشاورزی، هیدرولوژیکی، بهره¬برداری مخازن، طراحی سیستمهای آبیاری و زهکشی، زمانبندی آبیاری و مدیریت منابع آب ایفا میکند. . تشت تبخیر جزء روشهای مستقیم برای برآورد تبخیر می¬باشد. با توجه به غیرخطی و پیچیده بودن این پدیده، استفاده از شبکه¬های عصبی برای برآورد آن موثر خواهد بود .در این تحقیق مدل¬های شبکه عصبی مصنوعی و معادله تجربی پنمن برای برآورد تبخیر از تشت روزانه و ماهانه با استفاده از پارامترهای اقلیمی مورد ارزیابی قرار گرفت. بررسی و ارزیابی نتایج بدست آمده از شبیه¬سازی، پیش¬بینی و برآورد تبخیراز تشت با استفاده از مدل-های مختلف شبکه عصبی مصنوعی و رابطه تجربی پنمن نشان می¬دهد که استفاده از این مدلها برای دوره آماری روزانه در منطقه مورد مطالعه مطلوب نمی¬باشد. و مدل شبکه عصبی مصنوعی برای برآورد تبخیر از تشت ماهانه برای منطقه مورد مطالعه قابل پیشنهاد می¬باشد. همچنین مدل پنمن تبخیر از تشت ماهانه را با دقت قابل قبول برآورد نمی¬نماید. نتایج این پژوهش نشان داد محدودیت پارامترهای هواشناسی در ایستگاه¬های مربوط به منطقه مورد مطالعه نمی¬تواند عامل محدود کننده¬ای در توانایی برآورد مناسب تبخیراز تشت شود. از بین مدل¬های مختلف بررسی شده، مدل ANN9 با حداکثر پارامتر ورودی در لایه میانی شامل دمای هوای کمینه و بیشینه، رطوبت نسبی، سرعت باد و تابش خورشیدی رسیده به زمین از دقت بالاتری در مقایسه با سایر مدل¬های شبکه عصبی بررسی شده برخوردار بوده است. همچنین این مطالعه نشان داد، مدل ANN1 که فقط از دمای هوای کمینه و بیشینه استفاده ¬کرده، مقادیر تبخیر از تشت را بصورت معقولانه¬ای برآورد کرده است. در مدل¬های با ورودی¬های 3 متغیره، دمای ماکزیمم و مینیمم هوا و ساعات آفتابی بهترین ترکیب هستند. همچنین در مدل¬های با ورودی4 متغیره، دمای ماکزیمم و مینیمم هوا، ساعات آفتابی و رطوبت نسبی بهترین ترکیب می¬باشند. به عبارتی در مدل¬های با ورودی¬های چند متغیره، اندازه¬گیری ساعات آفتابی به تنهایی بر اندازه¬گیری دو پارامتر رطوبت نسبی و سرعت باد برتری دارد. همچنین، اندازه¬گیری رطوبت نسبی بر اندازه¬گیری سرعت باد برتری دارد. و در صورتیکه با استفاده از ساعات آفتابی، تابش روزانه خورشید برآورد شود و به ورودی¬های مدل اضافه شود، دقت پیش¬بینی تبخیر از تشت به مقدار قابل ملاحظه¬ای افزایش می¬یابد. در چنین شرایطی که با کمبود و محدودیت پارامترهای هواشناسی روبرو هستیم شبکه عصبی می¬تواند ابزاری توانمند، مناسب و از لحاظ هزینه، بسیار به صرفه مورد استفاده محققین و پژوهشگران قرار گیرد. واژه¬های کلیدی: تبخیر از تشت، مدل شبکه عصبی، داده¬های هواشناسی.
- Abstract
- Abstract: Evaporation is one of the major processes in the hydrologic cycle, and its accurate estimation is essential for hydrologic water-balance, irrigation, and water resources planning and management. Evaporation Pan is one of the direct approaches for estimation of evaporation. According to nonlinear and complicity of this phenomenon, artificial neural networks (ANNs) are effective tools for estimation of evaporation. In this study, ANNs and empirical Penman equation to calculate daily and monthly pan evaporation (Epan) were evaluated using climate data for a subtropical climate (north of Iran). The results show that the ANNs and the empirical equation are not suitable to estimate Epan for daily basis. This study also showed that for monthly basis, both empirical and neural network methods provided closer agreement with the measurement values, but the ANN method gave better estimate than the Penman method. Evaluation of various combinations of weather data, the ANN9 with most input data in hidden layer include maximum and minimum air temperature, relative humidity, wind velocity and solar radiation gave best result. The ANN1 using only maximum and minimum air temperature also provided acceptable results. Keywords: Pan evaporation, Penman equation, artificial neural networks, Iran
