مقاله شبيه سازي تبخير تعرق روزانه گياه مرجع به روش هوش مصنوعي و روش هاي تجربي در مقايسه با اندازه گيري هاي لايسي متري در اقليم نيمه خشک سرد همدان که چکیده‌ی آن در زیر آورده شده است، در ۱۳۸۸ در پژوهش هاي حفاظت آب و خاك (علوم كشاورزي و منابع طبيعي) از صفحه ۷۹ تا ۱۰۰ منتشر شده است.
نام: شبيه سازي تبخير تعرق روزانه گياه مرجع به روش هوش مصنوعي و روش هاي تجربي در مقايسه با اندازه گيري هاي لايسي متري در اقليم نيمه خشک سرد همدان
این مقاله دارای ۲۲ صفحه می‌باشد، که برای تهیه‌ی آن می‌توانید بر روی گزینه‌ی خرید مقاله کلیک کنید.
کلمات مرتبط / کلیدی:
مقاله مدل سازي
مقاله شبکه عصبي مصنوعي
مقاله سيستم استنتاج تطبيقي عصبي – فازي
مقاله تبخير تعرق مرجع
مقاله همدان

نویسنده(ها):
جناب آقای / سرکار خانم: بيات ورکشي مريم
جناب آقای / سرکار خانم: زارع ابيانه حميد
جناب آقای / سرکار خانم: معروفي صفر
جناب آقای / سرکار خانم: سبزي پرور علي اكبر
جناب آقای / سرکار خانم: سلطاني فواد

چکیده و خلاصه‌ای از مقاله:
در اين مقاله از دو روش مبتني بر هوش مصنوعي شامل شبکه عصبي مصنوعي (ANN) و سيستم استنتاج تطبيقي عصبي – فازي (ANFIS) و دو مدل پنمن مانتيث فائو ۵۶ (PMF56) و بلاني کريدل (BC) براي مدل سازي سيستم غيرخطي تبخير تعرق گياه مرجع (ET0) که داده هاي ورودي – خروجي آن به صورت سري زماني دو ساله (۷۷-۱۳۷۶) بودند، استفاده شد. ساختار شبکه ANN و ANFIS به گونه اي طراحي شدند تا ضمن مقايسه عملکرد آرايه هاي متفاوت، بتوانند تاثير مشخصات و رفتار ديناميکي سيستم را در مدل سازي نشان دهند. نتايج به دست آمده از ۴ روش با داده هاي سال هاي ۱۳۷۶ و ۱۳۷۷ لايسي متر زهکش دار به ابعاد ۲٫۲۵×۱×۱ متر براي گياه مرجع چمن و داده هاي هواشناسي مشتمل بر دماي حداقل و حداکثر، رطوبت نسبي حداقل و حداکثر، ساعات آفتابي و سرعت باد، در منطقه نيمه خشک سرد همدان تحت واسنجي قرار گرفتند. نشان داده شد که روش هاي هوش مصنوعي بهتر از روش هاي کلاسيک قادر به تخمين رفتار سيستم در همه مراحل عملکرد چه مرحله افزايش تبخير تعرق و چه مرحله کاهش تبخير تعرق مي باشند. افزون بر مزيت ياد شده، روش هاي هوش مصنوعي داراي دقت و سرعت بهتري در تخمين ET0 در مقايسه با روش هاي کلاسيک مي باشند. آزمون مدل هاي هوش مصنوعي با داده هاي کاملا مستقل از داده هاي مورد استفاده در آموزش شبکه نشان داد که نتايج مدل سازي براي اين نوع فرآيند ديناميکي غيرخطي با ضريب همبستگي برابر ۰٫۹۵، کاملا قابل اعتماد است. از ديگر نتايج اين مطالعه مي توان به مناسب تر بودن ANN نسبت به ANFIS و همچنين روش دمايي BC نسبت به مدل ترکيبي PMF56 اشاره داشت. همچنين اين پژوهش نشان داد که مدل ANN با آرايش۱-۳-۶ و قانون يادگيري پس انتشار پيش خور در مقايسه با مدل بهينه ANFIS با قانون يادگيري پس انتشار، نتايج ET0 بهتري را در شرايط اقليمي مورد مطالعه ارایه مي نمايد.