مقاله ارزيابي تاثير پيش پردازش پارامترهاي ورودي به شبکه عصبي مصنوعي (ANNs) با استفاده از روشهاي رگرسيون گام به گام و گاما تست به منظور تخمين سريع تر تبخير و تعرق روزانه که چکیده‌ی آن در زیر آورده شده است، در مرداد و شهريور ۱۳۸۹ در آب و خاك (علوم و صنايع كشاورزي) از صفحه ۶۱۰ تا ۶۲۴ منتشر شده است.
نام: ارزيابي تاثير پيش پردازش پارامترهاي ورودي به شبکه عصبي مصنوعي (ANNs) با استفاده از روشهاي رگرسيون گام به گام و گاما تست به منظور تخمين سريع تر تبخير و تعرق روزانه
این مقاله دارای ۱۵ صفحه می‌باشد، که برای تهیه‌ی آن می‌توانید بر روی گزینه‌ی خرید مقاله کلیک کنید.
کلمات مرتبط / کلیدی:
مقاله تبخير و تعرق پتانسيل
مقاله شبكه هاي عصبي مصنوعي
مقاله گاماتست
مقاله رگرسيون گام به گام
مقاله ايستگاه سينوپتيک شيراز

نویسنده(ها):
جناب آقای / سرکار خانم: قبايي سوق محمد
جناب آقای / سرکار خانم: مساعدي ابوالفضل
جناب آقای / سرکار خانم: حسام موسي
جناب آقای / سرکار خانم: هزارجريبي ابوطالب

چکیده و خلاصه‌ای از مقاله:
تبخير و تعرق (ETo) يكي از اجزاي اصلي چرخه هيدرولوژيکي است كه تعيين صحيح آن در مطالعات بيلان آبي، طراحي سيستم هاي آبياري و برنامه ريزي و مديريت منابع آب براي دست يابي به توسعه پايدار نقش به سزايي دارد. تبخير و تعرق به علت نياز به فاکتورهاي اقليمي مختلف و اثر متقابل اين فاکتورها بر هم ديگر يک پديده غيرخطي و پيچيده است. يکي از مراحل پيچيده در مدل سازي سيستم هاي غيرخطي، پيش پردازش پارامترهاي ورودي جهت انتخاب ترکيبي مناسب از آن ها است. پيش پردازش داده ها سبب کاهش مراحل سعي و خطا و شناخت مهم ترين پارامترهاي موثر بر پديده مورد نظر جهت مدل سازي با استفاده از روش هاي هوشمند مي گردد. در اين تحقيق از دو روش رگرسيون گام به گام (FS) و گاماتست (GT) براي پيش پردازش پارامترهاي ورودي به شبكه عصبي پرسپترون چند لايه (MLP) جهت تخمين ETo روزانه ايستگاه سينوپتيك شيراز استفاده شده است. براي ارزيابي تاثير پيش پردازش پارامترهاي ورودي با استفاده از معيارهاي مختلف آماري سنجش خطا به مقايسه دو مدل ANN-FS  و ANN-GT (با پارامترهاي پردازش شده) با يکديگر و هم چنين با مدل ANN که هيچ گونه پيش پردازشي روي پارامترهاي ورودي آن انجام نشده است، پرداخته شد. نتايج نشان داد كه هر سه مدل از دقت بالايي جهت تخمين ETo روزانه برخوردارند و از ميان سه مدل فوق، مدل ANN-GT با مقدار ضريب تبيين ۰٫۹۹۹۵ (R2) و ريشه ميانگين مربعات خطا ۰٫۰۴۸۳ (RMSE) نسبت به دو مدل ديگر ANN-FS و ANN به ترتيب با مقادير R2 برابر با ۰٫۹۹۸۴ و ۰٫۹۹۹۴ و RMSE برابر با ۰٫۰۸۷۴ و ۰٫۰۵۴۸ از دقت بالاتري برخوردار است. اگرچه در اين تحقيق برتري دقت مدلANN-GT  نسبت به مدل ANN ناچيز است اما توانايي هاي مشخص نمودن ترتيب اهميت پارامترهاي ورودي، تعيين تعداد تقريبا ۸۰۰ داده معني دار براي آموزش شبکه و يافتن بهترين ترکيب که شامل همه پارامترهاي ورودي به جز دماي حداکثر مي باشد اين آزمون را مي تواند به عنوان ابزار مفيدي براي پيش پردازش پارامترهاي ورودي جهت مدل سازي سربع تر تبخير و تعرق تبديل کند.