شماره کتابشناسی ملی
شماره
۲۳۵۱۶پ
زبان اثر
زبان متن نوشتاري يا گفتاري و مانند آن
per
عنوان و نام پديدآور
عنوان اصلي
ارزیابی معادله‌های تجربی و روش‌های ماشین بردار پشتیبان و شبکه عصبی مصنوعی در تخمین تبخیر-تعرق مرجع روزانه در برخی از مناطق ایران
عنوان اصلي به زبان ديگر
Evaluation of Empirical Equations and SVM and ANN Approaches for Estimating Daily Reference Evapotranspiration in Some Regions of Iran
نام نخستين پديدآور
/وحیده قبلعلی‌وند
وضعیت نشر و پخش و غیره
نام ناشر، پخش کننده و غيره
: کشاورزی
تاریخ نشرو بخش و غیره
، ۱۳۹۹
نام توليد کننده
، میرزائی
مشخصات ظاهری
نام خاص و کميت اثر
۸۴ص
یادداشتهای مربوط به نشر، بخش و غیره
متن يادداشت
چاپی - الکترونیکی
یادداشتهای مربوط به پایان نامه ها
جزئيات پايان نامه و نوع درجه آن
کارشناسی ارشد
نظم درجات
علوم و مهندسی آب گرایش آبیاری و زهکشی
زمان اعطا مدرک
۱۳۹۹/۰۶/۲۵
کسي که مدرک را اعطا کرده
تبریز
یادداشتهای مربوط به خلاصه یا چکیده
متن يادداشت
برآورد دقیق تبخیر-تعرق مرجع (ET_۰) از جمله موارد ضروری در برنامه‌صریزی منابع آب و مدیریت موفق آب در کشاورزی است .از این رو بررسی دقت روش‌صهای محاسباتی تبخیر-تعرق مرجع از اولویت‌صهای تحقیقاتی مهم است .روش پنمن-فائو-مانتیث یک روش توصیه شده جهت برآورد تبخیر-تعرق مرجع با دقت بالاست .با توجه به اینکه استفاده از این روش مستلزم وجود داده‌صهای متعدد هواشناسی است، در صورت محدودیت داده‌صهای هواشناسی کاربرد این روش با چالش مواجه خواهد شد .در مطالعه حاضر عملکرد مدل‌صهای ماشین بردار پشتیبان (SVM) و شبکه عصبی مصنوعی (ANN) با ۸ ترکیب پارامترهای ورودی در دو سناریوی نقطه‌صای و منطقه‌صای و مدل‌صهای تجربی پیش و پس از واسنجی در ایستگاه‌صهای آبعلی، اهواز، اراک، اردبیل، بندرعباس و دهلران، در برآورد تبخیر-تعرق مرجع روزانه مورد ارزیابی قرار گرفت .مقادیر حاصل از مدل پنمن-فائو-مانتیث به عنوان مقادیر شاخص برای واسنجی و ارزیابی مدل‌صهای یادگیری ماشین به کار گرفته شد .از میان مدل‌صهای تجربی، مدل‌صهای مبتنی بر تابش خورشیدی ریتچی و پریستلی-تیلور بهترین و مدل‌صهای مبتنی بر انتقال جرم ضعیف‌صترین عملکرد را در تمامی ایستگاه‌صها داشتند .نتایج مدل‌صهای یادگیری ماشین حاکی از برتری این مدل‌صها نسبت به مدل‌صهای تجربی بود .در هر دو سناریوی نقطه‌صای و منطقه‌صای روش SVM با اختلافی اندک عملکرد بهتری داشت .در بین ترکیب‌صهای ورودی مختلف، مدل‌صهای مبتنی بر روش ترکیبی دارای کم‌صترین میزان خطا بودند .با این حال عملکرد تمامی ترکیب‌صهای ورودی مطلوب ارزیابی شد
متن يادداشت
Accurate estimation of reference evapotranspiration (ET_0) is one of the major issues in water resources planning and successful agricultural water management. Therefore, assessing the performance of computational methods for reference evapotranspiration estimation are important research priorities. The Penman-FAO-Monteith method is a recommended method for estimating ET0 value with high accuracy. Due to the fact that the use of this method requires multiple meteorological parameters, in case of data scarcity, the application of this method would be challenging. In the present study, the performance of Support Vector Machine (SVM) and Artificial Neural Network (ANN) models with 8 input combinations in local and global scenarios and empirical models before and after calibration were evaluated in the ET_0 estimation in Abali, Ahvaz, Arak, Ardebil, Bandarabbas and Dehloran stations. The values obtained from the Penman-FAO-Monteith model were used as bench-mark for calibration and evaluating machine learning models. Among the empirical models, the solar radiation based Ritchie and Priestly-Taylor models found to give the most accurate results in all stations, while mass transfer-based models provided the poorest estimates. The results of machine learning models showed the superiority of these models over empirical models. In both local and global scenarios, the SVM method outperformed ANN. Among the various input combinations, the combination-based models had the lowest error rates. However, the performance of all input combinations was satisfying
عنوان اصلی به زبان دیگر
عنوان اصلي به زبان ديگر
Evaluation of Empirical Equations and SVM and ANN Approaches for Estimating Daily Reference Evapotranspiration in Some Regions of Iran
نام شخص به منزله سر شناسه - (مسئولیت معنوی درجه اول )
مستند نام اشخاص تاييد نشده
قبلعلی‌وند، وحیده
مستند نام اشخاص تاييد نشده
Gheblalivand, Vahideh
نام شخص - ( مسئولیت معنوی درجه دوم )
مستند نام اشخاص تاييد نشده
شیری، جلال، استاد راهنما
مستند نام اشخاص تاييد نشده
دلیر حسن نیا، رضا، استاد راهنما
دسترسی و محل الکترونیکی
يادداشت عمومي
سیاه و سفید
وضعیت فهرست نویسی
وضعیت فهرست نویسی
نمایه‌سازی قبلی
