عنوان پایان‌نامه
ارزیابی تبخیر و تعرق با استفاده از دوره زمانی متفاوت با ترکیب سنجش از دور و الگوریتم های فرا ابتکاری ژنتیک و عصبی
- رشته تحصیلی
- مهندسی‌کشاورزی-آبیاری و زهکشی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه پردیس ابوریحان شماره ثبت: 954;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 78632;کتابخانه پردیس ابوریحان شماره ثبت: 954;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 78632
- تاریخ دفاع
- ۰۳ مهر ۱۳۹۵
- دانشجو
- صفا مقصودلوباباخانی
- استاد راهنما
- جابر سلطانی
- چکیده
- تبخیر و تعرق را می توان بعد از بارندگی بعنوان یکی از موثرترین مؤلفه ها برای تعیین بیلان آبی منطقه دانست. داشتن برآورد دقیق از شار تبخیر و تعرق برای برنامه ریزی و مدیریت منابع آبی امری ضروری می باشد. مدل های تجربی مختلفی برای برآورد تبخیر و تعرق ارائه شده است. در برخی از مناطق دنیا از جمله ایران، تراکم ایستگاه های هواشناسی برای پهنه بندی این پارامتر کافی نیست. با توجه به تغییرات مکانی پارامترهای هواشناسی و در نتیجه تبخیر و تعرق، استفاده از روش های مبتنی بر سنجش از دور که این تغییرات را در نظر می گیرد بسیار مطلوب است. از جمله مدل های پر کاربرد که دقت بالایی در برآورد تبخیر و تعرق با استفاده از روش های سنجش از دور را دارند، می توان به مدل¬های شبکه عصبی و برنامه ریزی ژنتیک اشاره کرد. در این راستا هدف طرح حاضر، ارزیابی و مقایسه میزان دقت مدل های شبکه عصبی و برنامه ریزی ژنتیک با استفاده از پارامتر های ورودی استخراج شده از تصاویر ماهواره ای شامل دمای سطح زمین، مقدار بخار آب موجود در جو، ضریب آلبیدو و NDVI در ایستگاه های مطالعاتی می باشد. در این تحقیق از داده های تصاویر ماهواره ای چهار ایستگاه انار، کرمان، رفسنجان و شهربابک جهت تدوین مدل های شبکه عصبی و برنامه ریزی ژنتیک برای برآورد تبخیر و تعرق مرجع استفاده گردید و داده های سینوپتیک ایستگاه های هواشناسی مذکور جهت محاسبه تبخیر و تعرق مرجع با استفاده از مدل پنمن مونتیث مورد استفاده قرار گرفت. پارامتر-های مورد نیاز مدل از طریق سنجنده مودیس ماهواره ترا دریافت گردید و با استفاده از نرم افزارهای ENVI5/1 وGIS 10/1 تصاویر ماهواره ای به پارامترهای ورودی مدل تبدیل شد. در این پژوهش از 15حالت ممکن از چهار داده مورد نظر 15 سناریو تشکیل شد. با توجه به نتایج می توان دریافت که مدل برنامه ریزی ژنتیک با استفاده همزمان از دو پارامتر بخار آب موجود در جو و دمای سطح زمین نسبت به 14 حالت دیگر تدوین شده دارای دقت بالاتری بوده که این مدل دارای ضریب تبیین 92 درصد برای داده های آموزش و1/91 درصد برای داده های آزمون می باشد. در نهایت با توجه به ضریب تبیین مدل-های شبکه عصبی و برنامه ریزی ژنتیک تدوین شده در حالت های مختلف می توان نتیجه گرفت که مدل های شبکه عصبی و برنامه ریزی ژنتیک، روش مناسبی جهت برآورد پارامتر تبخیر و تعرق مرجع با استفاده از محصولات تصاویر ماهواره ای می باشد.
- Abstract
- Evapotranspiration can be after as one of the most rainfall factors to determine the region's water balance. A detailed estimate of evapotranspiration flux for the planning and management of water resources is essential. Experimental models have been proposed for estimating evapotranspiration.In some areas of the world including Iran, weather stations density for zoning for this parameter is not enough. According to relocate meteorological parameters and the result of evapotranspiration, using methods based on remote sensing considers that this change is highly desirable. Among the models that accurately widely used in evapotranspiration using remote sensing techniques are, neural networks and genetic programming can be noted.The aim of present study was to evaluate the accuracy of neural networks and genetic programming models using input parameters derived from satellite images of the Earth's surface temperature, the amount of water vapor in the atmosphere, the coefficient of albedo and NDVI in research stations. In this study, data from satellite images four stations Anar, Kerman, Rafsanjan and Shahr-e Babak to develop neural network models and genetic programming were used to estimate the reference evapotranspiration and synoptic data Weather stations was used to calculate the reference evapotranspiration with Penman-Monteith model. Model parameters required by MODIS Terra satellite were received and using the software ENVI5 / 1 and GIS 10/1 satellite images became the model input parameters. In this study, data from 15 states from four to 15 scenarios may be formed. According to the results we can see that the genetic programming with simultaneous use of two parameters of water vapor in the atmosphere and land surface temperature over the 14 other cases developed more accurate that this model has a coefficient of 92% for training data and 91/1% for data test. Finally, with regard to the coefficient of determination was developed neural networks and genetic programming in different states, we can conclude that neural networks and genetic programming, parameter estimation methodology Reference evapotranspiration using satellite imagery products. Keywords: Evapotranspiration, Genetic Programming, Modis Sensor, Neural networks, Terra satellite.
