عنوان

تخمین تبخیر روزانه بر اساس مدل هیبریدی شبکه عصبی مصنوعی و الگوریتم بهینه‌سازی کرم شب تاب,‮‭QC‬

Number

‭۱۷۲۵۹پ‬

.Language of Text, Soundtrack etc

per

Title Proper

تخمین تبخیر روزانه بر اساس مدل هیبریدی شبکه عصبی مصنوعی و الگوریتم بهینه‌سازی کرم شب تاب

Parallel Title Proper

‮‭QC‬

First Statement of Responsibility

/بابک محمدی

Name of Publisher, Distributor, etc.

: کشاورزی

Date of Publication, Distribution, etc.

، ‮‭۱۳۹۶‬

Text of Note

چاپی

Dissertation or thesis details and type of degree

کارشناسی ارشد

Discipline of degree

کشاورزی-منابع آب

Date of degree

‮‭۱۳۹۶/۰۴/۲۶‬

Body granting the degree

تبریز

Text of Note

شبیه سازی و برآورد صحیح تبخیر یکی از چالش‌صهای مهم در بحث مدیریت منابع آب است و تحت شرایط اقلیمی مختلف سهم متفاوتی از بیلان آبی را به خود اختصاص می دهد و به دلیل پیچیده بودن پارامتر تبخیر، تعیین دقیق این پارامتر مستلزم استفاده از روش دقیقی است که با دقت قابل قبولی تبخیر را شبیه سازی کند .با استفاده از شبکه های عصبی مصنوعی و همچنین روش هیبریدی شبیه‌صسازی و بهینه سازی می‌صتوان پارامتر تبخیر را با دقت بالایی شبیه سازی کرد .در این پژوهش به وسیله داده‌صهای روزانه ایستگاه‌صهای سینوپتیک تالش و منجیل از سال ‮‭۱۳۹۲‬ تا ‮‭۱۳۹۵‬ به مدت سه سال ، کارایی الگوریتم های هیبریدی کرم شب تاب و ازدحام ذرات در برآورد تبخیر روزانه در مقایسه با مدل شبکه عصبی مصنوعی مورد سنجش قرار گرفت .به منظور کاهش پیچیدگی مدل و انجام آنالیز حساسیت روی عوامل تاثیرگذار از شش سناریو مختلف برای ساختار ورودی‌صهای مدل‌صها بهره گرفته شد .که بهترین نتیجه برآورد با الگوریتم هیبریدی کرم شب تاب بوده است که ریشه مربعات خطای آن در ایستگاه‌صهای سینوپتیک تالش و منجیل به ترتیب برابر ‮‭۰۰۷/۱‬ و ‮‭۴۰۶/۱‬ میلی متر در روز و همچنین به ترتیب همبستگی ‮‭۹۳۶/۰‬ و ‮‭۹۷۳/۰‬ بوده است .بهترین ورودی‌صهای موثر در هر دو ایستگاه سینوپتیک ورودی‌صهای دمای بیشینه هوا، دمای کمینه هوا، سرعت باد، رطوبت نسبی هوا و ساعت آفتابی انتخاب شدند .الگوریتم هیبریدی کرم شب تاب نشان داد در برآورد تبخیر در هر دو ایستگاه ودر تمامی ترکیب‌صهای ورودی در مظر گرفته شده موفق تر از الگوریتم هیبرید ازدحام ذرات و شبکه عصبی مصنوعی بوده است

Text of Note

Simulation and proper estimation of evaporation is one of the most important challenges in the management of water resources and under different climatic conditions account for a different share of the water balance. Due to the complexity of the evaporation parameter, the exact determination of this parameter requires the use of the method It is precisely to simulate evaporation with acceptable accuracy. Using the artificial neural networks as well as the simulation and optimization hybrid method, the evaporation parameter can be simulated with high precision. In this research, by daily data of synoptic stations of Talesh and Manjil from 1392 to 1395 for three years, the efficiency of hybrid firefire and particle swarm algorithms in estimating daily evaporation in comparison with artificial neural network model Took In order to reduce the complexity of the model and to perform sensitivity analysis on effective factors, six different scenarios were used to structure the inputs of the models. Which is the best estimate with firefly hybrid algorithm. The root error of its synoptic telesh and manjil stations is equal to 1.007 and 1.406 mm / day, respectively, and correlation of 0.936 and 0.973 has been. The best inputs at both the synoptic stations were the inputs of maximum air temperature, minimum air temperature, wind speed, relative humidity and sunshine. The firefly hybrid algorithm showed that in estimating evaporation in both stations and in all the input compounds considered, it was more successful than the hybrid particle swarm algorithm and artificial neural network

Parallel Title

‮‭QC‬

محمدی، بابک

قربانی، محمدعلی، استاد راهنما

اسدی، اسماعیل، استاد مشاور

Public note

سیاه و سفید

نمایه‌سازی قبلی