فهرست مطالب زارع ابیانه
-
مطالعه حاضر به منظور استفاده از حداقل پارامترهای هواشناسی در پیش بینی تبخیر تعرق گیاه مرجع در منطقه همدان برای سال های 1376 و 1377 صورت گرفته است. بدین منظور، با استفاده از آزمون پیرسون، شش پارامتر هواشناسی مورد نیاز در روش پنمن مانتیث فائو-56 که شامل دماهای حداکثر و حداقل، مقادیر رطوبت نسبی حداقل و حداکثر، سرعت باد در ارتفاع دو متری و ساعت آفتابی روزانه می شوند، به صورت چهار سناریوی اطلاعاتی با یکدیگر ترکیب و به کاربرده شدند (که تحت عنوان شماره 1، 2، 3 و 4 نام گذاری شدند). با اعمال این سناریوها بر مدل های هوشمند شبکه عصبی مصنوعی (ANN) و سیستم استنتاج تطبیقی عصبی- فازی (ANFIS) در محیط نرم افزاری MATLAB، تبخیر تعرق گیاه مرجع منطقه تخمین گردید. به منظور ارزیابی نتایج هر یک از سناریوهای مورد استفاده، از مقادیر واقعی تبخیر تعرق مرجع (لایسیمتری) استفاده شد. نتایج نشان داد که افزایش تعداد اطلاعات در لایه ورودی لزوما منجر به بهبود نتایج مدل های هوشمند نمی شود. سناریوی اطلاعاتی شماره 2 که شامل سه پارامتر دمای حداقل و حداکثر هوا و ساعت آفتابی روزانه بود، در هر دو مدل ANN و ANFIS برآوردهای معقول و یکسانی در بر داشت. در این سناریو مقادیر حداقل معیار مجذور میانگین مربعات خطا (RMSE)، میانگین مطلق خطا (MAE) و حداکثر ضریب تعیین (R2) در مرحله آزمایش به ترتیب معادل 09/0 و 07/0 میلی متر بر روز و 90/0 بودند. در مجموع بین نتایج شبکه عصبی مصنوعی و سیستم استنتاج تطبیقی عصبی- فازی از نظر آماره های خطاسنجی اختلاف قابل ملاحظه ای مشاهده نشد. ضمن آن که این دو نسبت به نیاز اطلاعاتی در لایه ورودی خود دارای حساسیت یکسان بودند. مدل شبکه عصبی پس از 26 تکرار محاسباتی در مقایسه با سیستم استنتاج تطبیقی عصبی- فازی که با 40 تکرار محاسباتی بود، سریع تر به جواب مناسب دست یافت. همچنین برآوردهای شبکه های عصبی با روش استاندارد پنمن مانتیث نیز مقایسه گردید، که نشان دهنده دقت و توانمندی قابل ملاحظه مدل های هوشمند (RMSE معادل 09/0 میلی متر بر روز) نسبت به روش استاندارد (RMSE معادل 34/0 میلی متر بر روز)، برای تخمین تبخیر تعرق گیاه مرجع می باشد.
کلید واژگان: تبخیر تعرق گیاه مرجع, آزمون پیرسون, مدل های هوشمند, همدان}AbstractThe present study is attempted to present the minimum required meteorological parameters for reference evapotranspiration estimation at Hamedan region of Iran from 1997 to 1998. Employing Pierson test, six meteorological parameters which are used by Penman-Montieth FAO-56 method including maximum and minimum air temperature, maximum and minimum relative humidity, wind speed and daily sunshine were composed and considered as 4 difference scenarios (called 1, 2, 3 and 4). These scenarios were applied to artificial neural network (ANN) and adaptive neuro-fuzzy inference system (ANFIS) for reference evapotranspiration estimation of the area using the Matlab software. The results of the scenarios were evaluated using the actual reference evapotranspiration (lysimeter data). The results showed that increasing of number of input layers data could not be based as obtaining the more exact results. Using the scenario 2, which was based on minimum and maximum temperature as well as daily sunshine, showed more reliable results using the ANN and ANFIS methods. The root mean square error (RMSE), mean absolute error (MAE) and R2 of examination step of this scenario were 0.09, 0.07 mm/day and 0.9, respectively. Overall, the statistic performances revealed that ANN and ANFIS had the same results and similar input layer sensitivity. The iteration times of the ANN and ANFIS methods to reach the best results were 26 and 40, respectively. Comparison between ANN (RMSE= 0.09 mm/day) and standard Penman-Montieth method (RMSE= 0.34 mm/day) confirmed that the intelligence approaches such as ANN are more accurate for reference evapotranspiration estimation. -
دمای خاک از پارامترهای مهم و تاثیر گذار در کلیه فرآیندهای هیدرولوژی و کشاورزی است که اندازه گیری و پیش بینی آن ضروری است. مطالعاتی که تا کنون در زمینه برآورد دمای خاک در مناطق فاقد داده صورت گرفته همگی به اتفاق از مدل های رگرسیونی جهت برآورد دمای خاک استفاده کرده اند. در این پژوهش ضمن استفاده از مدل های رگرسیونی، با بکارگیری سامانه استنتاج تطبیقی عصبی-فازی4 (ANFIS) به عنوان روشی نوین، به پیش بینی دمای خاک در شش عمق مختلف (5، 10، 20، 30، 50 و 100 سانتی متر) اقدام شد. علاوه براین، مهمترین پارامترهای هواشناسی (دمای بیشینه، دمای کمینه، میانگین دمای روزانه، رطوبت نسبی، ساعات آفتابی و سرعت باد) به عنوان عوامل اثرگذار بر دمای خاک در یک دوره 15 ساله (2006-1992) در ایستگاه های مورد مطالعه معرفی می گردند. مطالعه روی داده های هواشناسی 3 ایستگاه سینوپتیک زاهدان، تهران و رامسر که دارای اقلیم متفاوتی می باشند، انجام گرفت. یافته ها حاکی از 4 درصد دقت بیشتر روش ANFIS نسبت به روش آماری رگرسیون بود. همچنین دقت پیش بینی دمای خاک با روش ANFIS در دو ایستگاه زاهدان و تهران (اقلیم خشک) به ترتیب 12 درصد و 5/4 درصد بهتر از رامسر (اقلیم مرطوب) بود. مقدار ضریب همبستگی (r) بین دمای خاک پیش بینی شده توسط شبکهANFIS و مدل رگرسیون انتخابی با دمای واقعی خاک، نشان داد که با افزایش عمق خاک مقدار r کاهش می یابد. نتایج همچنین نشان داد که بر خلاف مناطق خشک، در اقلیم مرطوب رامسر با افزایش عمق خاک دقت پیش بینی تا 18 درصد افزایش می یابد، در حالیکه در دو ایستگاه زاهدان و تهران دقت پیش بینی دمای خاک در لایه های کم عمق تا 10 درصد بیشتر از لایه های عمیق می باشد.
کلید واژگان: دمای خاک, مدل های رگرسیونی, ANFIS, اقلیم خشک, اقلیم مرطوب}AbstractSoil temperature is one of the key parameters affecting most hydrologic and agricultural processes. Therefore, its measurement and prediction is very crucial. So far, the statistical regression methods have been used for estimation of soil temperature for specific location encountering with lack or shortage of data. In this work, soil temperature data are estimated at six different depths for three typical climates (Zahedan, Tehran, Ramsar) by a new approach namely Adaptive Neuro-Fuzzy Inference System (ANFIS), and the results are compared with those of estimated by regression methods. In addition, the most important meteorological parameters (maximum temperature, minimum temperature, mean daily temperature, relative humidity, sunshine hour, and wind speed) which influence soil temperature at the study sites are used during the 15-years period (1992-2006) of study. The comparison of soil temperature data predicted by ANFIS and regression methods indicated that the performance of ANFIS model is 4% more accurate than regression methods. It was found that the accuracy of prediction using ANFIS model for arid climates of Zahedan and Tehran was 12% and 4.5% better than Ramsar (humid), respectively. The statistical comparison of the estimations derived by ANFIS model and the observed soil temperature data of drier climates showed that the coefficients of correlation (r) are reduced (up to 10%) for deeper layers. In contrast, for the humid climate of Ramsar, the model accuracy for near surface layers (5 and 10 cm) was up to 18% less than deeper layers (100 cm). -
با توجه به ضرورت برآورد تبخیر- تعرق در مدیریت منابع آب، برنامه ریزی آبیاری و ارزیابی اثرات تغییر کاربری اراضی بر روی بازده وتامین نیاز آبی گیاهان، تعیین دقیق تبخیر-تعرق گیاه مرجع بسیار مهم و حیاتی می باشد. با توجه به مشکلات متعددی که در به کارگیری لایسیمترها وجود دارد، استفاده از مدل هایی که بتواننداین فرآیند را با دقت نسبتا مطلوبی شبیه سازی و برآورد نمایند، امری ضروری بنظر می رسد. در این راستا، مدل های تبخیر-تعرقی که به مولفه های تابش نیاز دارند، به دلیل عدم دسترسی به داده های واقعی تابش، کمتر مورد استقبال کاربران قرار گرفته است. در این تحقیق، 4 مدل تبخیر-تعرق گیاه مرجع: جنسن هیز اصلاح شده (JH1)، جنسن-هیز (JH2)، پنمن-مانتیث فائو 56 (PMF56)، و پنمن-مانتیث فائو با تابش ایرماک (PMFI) برای تخمین تبخیر-تعرق مرجع روزانه چمن (ETo) در اقلیم سرد نیمه خشک مورد ارزیابی قرار گرفت. تابش کل(Rs) مورد نیاز با 4 مدل شامل: آنگستروم، پاتریج، دانشیار و صباغ محاسبه شد. در مجموع، 16 سناریوی مختلف تولید و تحت بررسی قرار گرفتند. واسنجی نتایج ETo بدست آمده با داده های چهار لایسیمتر زهکش دار در دوره رشد (اردیبهشت آبان) برای دو سال و با استفاده از معیارهای آماری R2، RMSE، MBE، و t انجام گرفت. نتایج بررسی نشان داد که از 16 سناریوی مطالعه شده، مدل جنسن-هیز که معادله تابش دانشیار در آن به کار گرفته شده است، در مقایسه با سایر مدل ها، مقدار ETo را در سطح معنی دار (5 % p<) و با دقتی بهتر از مدل PMF56 در اقلیم سرد نیمه خشک همدان برآورد می نماید (85./ 0R2 >). نتایج برآورد مدل PMF56 با تابش کل (Rs) محاسبه شده به روش پاتریج و تابش خالص محاسبه شده به روش ایرماک، از نظر دقت برآورد در جایگاه بعدی قرار گرفت. اگر چه استفاده همه گیر از مدل تابش آنگستروم، در اغلب سناریوهایی که از مدل تابش آنگستروم استفاده شده بود، نتایج مطلوبی به دست نیامد. این تحقیق نشان داد، در صورتی که مدل مناسب تابش به کار برده شود، می توان مدل های ساده تر ETo را جهت تخمین مقدار تبخیر-تعرق مرجع روزانه جایگزین مدل های ترکیبی نظیر PMF56 نمود. تکرار این تحقیق برای محاسبه ETo، با هدف استفاده بهینه از مدل های تابش در سایر اقلیم ها نیز توصیه می گردد.
کلید واژگان: مدل های تبخیر, تعرق گیاه مرجع, لایسیمتر زهکشدار, مدل های تابش, اقلیم سرد نیمه خشک}The estimation of reference evapotranspiration (ETo) is of great importance due to its applications in water resource management as well as irrigation scheduling. Difficulties associated with using lysimeters have encouraged researchers to use various ETo models, while the shortage of actual radiation data seems the main obstacle for users of radiation-based models. In this research the output of four radiation-based evapotranspiration models including: Penman-Montieth-FAO56 (PMF56), Penman-Montieth FAO-Irmak (PMFI), modified Jensen-Haise (JH1), and Jensen-Haise (JH2) are evaluated for a cold semi-arid climate. The daily ETo values were generated for 16 different scenarios and the results were compared against a two-year lysimeter data during the growing season (May to November). Deviations of model results were investigated using mean of R2, RMSE, MBE and t-test criteria. The results indicated that the JH2 model which uses radiation model of Daneshyar, can generate the most accurate ETo values (R2>0.85, P<O.05) in cold semi-arid climates. Although, the Angstrom radiation models are widely being used to generate radiation data in recent years, this research showed that other radiation models can provide more accurate radiation data for radiationbased ETo models. In places with lack or shortage of meteorological data, using an accurate radiation model might significantly reduce the errors generated by certain ETo models. The mentioned radiation models and ETo models should be examined for other climates.
Keywords: Evapotranspiration models, Radiation models, Drainable lysimeter, Cold semi-arid climate}
- در این صفحه نام مورد نظر در اسامی نویسندگان مقالات جستجو می‌شود. ممکن است نتایج شامل مطالب نویسندگان هم نام و حتی در رشته‌های مختلف باشد.
- همه مقالات ترجمه فارسی یا انگلیسی ندارند پس ممکن است مقالاتی باشند که نام نویسنده مورد نظر شما به صورت معادل فارسی یا انگلیسی آن درج شده باشد. در صفحه جستجوی پیشرفته می‌توانید همزمان نام فارسی و انگلیسی نویسنده را درج نمایید.
- در صورتی که می‌خواهید جستجو را با شرایط متفاوت تکرار کنید به صفحه جستجوی پیشرفته مطالب نشریات مراجعه کنید.
©2000-2024 magiran.com All Rights Reserved.