مقایسه عملکرد شبکه های عصبی RBF و MLP در برآورد تبخیر و تعرق گیاه مرجع
تبخیر و تعرق یکی از اجزای اصلی چرخه ی هیدرولوژی است. این فرایند پیچیده به عوامل متعدد اقلیمی وابسته است. شبکه های عصبی مصنوعی در چند دهه ی اخیر و در مطالعات صورت گرفته برای مدل سازی سیستم های پیچیده و غیر خطی قابلیت بسیار بالایی از خود نشان داده اند. در تحقیق حاضر امکان استفاده از شبکه های با تابع پایه ی شعاعی (RBF) و شبکه های پرسپترون چند لایه (MLP) برای تخمین تبخیر و تعرق گیاه مرجع مورد مطالعه قرار گرفته است. با استفاده از سری داده های هواشناسی سال های 1383-1330 ایستگاه تبریز، ابتدا مقادیر متوسط تبخیر و تعرق ماهانه ی گیاه مرجع از روش استاندارد پنمن – مونتیث (PM)، محاسبه شد. سپس با استفاده از این مقادیر به عنوان خروجی های هدف، شبکه های مختلفی با ساختار متفاوت تعریف و آموزش داده شد. در نهایت قابلیت شبکه برای تخمین تبخیر و تعرق با استفاده از قسمتی از داده ها که در طراحی و یا آموزش شبکه استفاده نشده اند، مورد بررسی قرار گرفت. با بررسی های انجام گرفته مشخص شد که تنها با استفاده از دو پارامتر دمای میانگین و سرعت باد به عنوان ورودی، می توان میزان تبخیر و تعرق گیاه مرجع را با استفاده از این دو نوع شبکه با دقت قابل قبولی (4081/0RMSE< و 976/0 R2> برای مجموعه ی صحت سنجی) تخمین زد. همچنین با مقایسه ی نتایج حاصل از دو شبکه مشخص شد که شبکه های MLP نسبت به RBF در تخمین تبخیر و تعرق گیاه مرجع از دقت نسبتا بیشتری برخوردارند و تنها مزیت شبکه های RBF زمان کمتر مورد نیاز برای آموزش است.
- حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران میشود.
- پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانههای چاپی و دیجیتال را به کاربر نمیدهد.