عنوان پایان‌نامه
مقایسه دو مدل شبکه عصبی و درختی M۵ برای تخمین سرعت باد-مطالعه موردی استان خوزستان
- رشته تحصیلی
- مهندسی‌کشاورزی-آبیاری و زهکشی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه پردیس ابوریحان شماره ثبت: 895;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 68337
- تاریخ دفاع
- ۰۸ بهمن ۱۳۹۳
- دانشجو
- فاطمه صالحی
- استاد راهنما
- علی رحیمی خوب
- چکیده
- چکیده تبخیر و تعرق پارامتر مهمی برای مطالعات کشاورزی و هواشناسی و برنامه ریزی آبیاری محصولات است. با توجه به اینکه سرعت باد تأثیر زیادی بر میزان تبخیر تعرق دارد و از آنجاییکه این پارامتر بندرت در ایستگاه های هواشناسی اندازه گیری می شود تخمین سرعت باد با استفاده از سایر پارامترهای هواشناسی امری مهم و ضروری در جهت تعیین میزان تبخیر تعرق مرجع است. پارامترهای هواشناسی ورودی برای تخمین سرعت باد در این تحقیق شامل کمینه و بیشینه دما، کمینه و بیشینه رطوبت نسبی، فشار هوا و بارندگی است که در 10 ایستگاه هواشناسی واقع در استان خوزستان در دوره آماری (2008-1996) برداشت شده است. یکی از اهداف این تحقیق تخمین سرعت باد به وسیله مدل شبکه عصبی مصنوعی و مدل رگرسیون درختی و مقایسه این دو مدل در مقیاس روزانه و ماهانه برای استان خوزستان بوده است. هدف دوم تعیین تاثیر سرعت باد محاسبه شده بر دقت تبخیر تعرق مرجع بوده است و هدف سوم این تحقیق تعیین بهترین ترکیب پارامترهای ورودی هواشناسی برای تخمین سرعت باد بوده است. نتایج تحقیق نشان داد که مدل شبکه عصبی از دقت بالاتری نسبت به مدل درختی برای تخمین سرعت باد برخوردار است . همچنین تخمین سرعت باد توسط مدل درختی و شبکه عصبی مصنوعی در هر یک از ایستگاه های هواشناسی به طور جداگانه و در مقیاس ماهانه نتایج بهتری را نشان داده است. در مدل شبکه عصبی مصنوعی برای دوره های روزانه مقادیر ضریب تبیین، میانگین انحراف خطا، ریشه میانگین مربعات خطا، درصد خطا و درصد خطای نسبی به ترتیب برابر با 38/0، 07/0-، 86/0، 56/2-، 80/38 و برای دوره های ماهانه به ترتیب برابر با 72/0، 02/0، 27/0، 59/0، 94/12 در سال های آزمون محاسبه شد. نتایج آماری حاکی از آن است که سرعت باد بدست آمده از مدل های رگرسیون درختی و شبکه عصبی برآورد بسیار مناسبی از میزان تبخیر و تعرق مرجع ارائه دادند. بنابراین از آنجایی که سرعت باد یکی از ورودی های مهم در بدست آوردن تبخیر و تعرق مرجع است می توان این پارامتر را با روش مدل درختی و شبکه عصبی با استفاده از پارامترهای پیشنهادی در این تحقیق بدست آورد و به نتیجه مطلوب در برآورد تبخیر و تعرق مرجع دست یافت. همچنین سرعت باد بدست آمده از شبکه عصبی مصنوعی به عنوان ورودی در محاسبه ی تبخیر تعرق مرجع از دقت بالاتری برخوردار است. در این مدل برای دوره های روزانه مقادیر ضریب تبیین، میانگین انحراف خطا، ریشه میانگین مربعات خطا، درصد خطا و درصد خطای نسبی به ترتیب برابر با 91/0، 00/0، 05/1، 16/0، 47/17 و برای ماهانه به ترتیب برابر با 97/0، 03/0، 37/0، 81/0، 54/8 در سال های آزمون محاسبه شد. کلید واژه: سرعت باد، تبخیر و تعرق مرجع، شبکه عصبی مصنوعی، مدل درختی M5
- Abstract
- Reliable information of reference evapotranspiration (ET0) is essential in studies relating to water resources management, farm irrigation scheduling, and environmental assessment. Wind speed data have a great impact on the amount of evapotranspiration, but this parameter is rarely the weather stations measure. So it is desirable to have a method that estimates wind speed based on other available data. The main purpose of the research reported in this article was to comparison neural network and M5 models Tree to estimate wind speed for two time scale include daily and monthly. The investigation the impact of the estimated wind speed on estimation ET0 by the Penman-Monteith (PM) equation was the second objective. The third objective of this study was to determine the best combination of meteorological input parameters to estimate the wind speed. The meteorological input parameters to estimate the wind speed in this research include minimum and maximum temperature, minimum and maximum relative humidity, barometric pressure and rainfall. The required meteorological data in this study was gathered from ten weather stations, located in Khuzestan province in the period (2008-1996). The study demonstrated that modelling of wind speed through the use of ANN gave better estimates than the M5 mode technique. Our analyses also indicate that the M5 model tree and artificial neural network model to estimate the wind speed at each meteorological station separately on monthly basis has shown better results. For daily estimation R2, MBE and RMSE for the comparison between observed and estimated wind speed for the tested data using the proposed ANN model are 0.38, 0.07 and 0.86 respectively. For Monthly estimation these statistical indices were 0.72, 0.02 and 0.27.The statistical results indicated that differences wind speed estimates between the different procedures have less effect on ET0 estimates. Keywords: Wind speed, Reference Evapotranspiration, Neural Network, M5 Model Tree
