عنوان

مدل‌سازی فرایند تبخیر با استفاده از الگوریتم هیبریدی پرنده کوت و شبکه عصبی مصنوعی

شماره

پ۲۹۵۶۳

زبان متن نوشتاري يا گفتاري و مانند آن

per

عنوان اصلي

مدل‌سازی فرایند تبخیر با استفاده از الگوریتم هیبریدی پرنده کوت و شبکه عصبی مصنوعی

نام نخستين پديدآور

فرناز عالم پور رجبی

نام ناشر، پخش کننده و غيره

کشاورزی

تاریخ نشرو بخش و غیره

۱۴۰۲

نام خاص و کميت اثر

۷۸ص.

مواد همراه اثر

سی دی

جزئيات پايان نامه و نوع درجه آن

کارشناسی ارشد

نظم درجات

مهندسی آب – گرایش منابع آب

زمان اعطا مدرک

۱۴۰۲/۰۷/۱۶

متن يادداشت

یکی از مؤلفه‌های مهم و اساسی در سیکل هیدرولوژی، تبخیر است. در واقع، میزان خروج آب از دسترس بشر، به یک چالش مهم در مدیریت منابع آب تبدیل شده است. بنابراین؛ مدل‌سازی و آگاه شدن از میزان تبخیر به‌عنوان يكی از متغیرهای هیدرولوژيكی در تحقیقات متعدد کشاورزی و حفاظت آب‌وخاک، از اهمیت زيادی برخوردار است. در این تحقیق به‌منظور مدل‌سازی تبخیر، از هیبرید الگوریتم بهینه‌ساز کوت با شبکه عصبی مصنوعی استفاده شد. با توجه به وجود اقلیم‌های متنوع در کشور ایران، داده‌های هواشناسی از سه ایستگاه سینوپتیک گرگان، شیراز و کیش انتخاب گردید. داده‌های هواشناسی شامل میانگین دمای هوای کمینه، میانگین دمای هوای بیشینه، سرعت باد، میانگین رطوبت نسبی و ساعات آفتابی در طول دوره آماری 2000 تا 2022 در مقیاس ماهانه، بوده است. در این راستا به‌منظور اجرای هر مدل‌، از چهار سناریو، با توجه ‌به ترکیب متفاوت پارامترهای ورودی، استفاده شد و برای ارزیابی عملکرد نتایج حاصل از این دو مدل، شاخص‌های آماری ضریب همبستگی (R)، جذر میانگین مربعات خطا (RMSE) و ضریب نش - ساتکلیف (N-S) مورد استفاده قرار گرفت. به‌منظور تأیید و مقایسه نتایج از نمودارهای گرافیکی تیلور، پراکنش، هیستوگرام، خطای نسبی و ویولنی نیز استفاده گردید. نتایج مرحله صحت‌سنجی مربوط به سناریوی چهارم از مدل هیبریدی در گرگان با مقادیر (R=0.99)، (RMSE=8.19) و (NS=0.99)، در شیراز با (R=0.99)، (RMSE=18.43) و (NS=0.98) و در کیش با (R=0.97)، (RMSE=19.36) و (NS=0.93) عملکرد بهتری نسبت به سایر مدل‌ها از خود نشان داد. نتایج تحقیق حاکی از آن است که الگوریتم هیبریدی کوت و شبکه عصبی مصنوعی، قادر است دقت شبکه عصبی مصنوعی را در همه سناریوها و با هر ترکیب ورودی از داده‌ها بهبود بخشد. همچنین، می‌توان نتیجه گرفت که در سناریوی چهارم، الگوریتم هیبریدی ANN-COOT4 که شامل تمام داده هواشناسی به عنوان ورودی است، در هر سه ایستگاه، دقیق‌ترین نتایج را به ارمغان آورده است. یافته‌های مطالعه حاضر نشان‌داد الگوریتم بهینه‌ساز پرنده کوت یک الگوریتم قدرتمند و کارآمد است که می‌تواند در هر اقلیمی، سیستم شبکه عصبی مصنوعی را بهبود دهد و یک مدل هیبریدی بادقت بیش‌تر و خطای کمتر برای مدل‌سازی تبخیر ارائه کند.

متن يادداشت

Abstract One of the important and essential components in the hydrological cycle is evaporation. In fact, the rate of water withdrawal from human reach has become an important challenge in the management of water resources. So; Modeling and understanding the rate of evaporation as one of the hydrological variables in many agricultural and water conservation researches is of great importance. In this research, in order to model evaporation, the hybrid algorithm of Kut optimizer with artificial neural network was used. Due to the presence of diverse climates in Iran, meteorological data were selected from three synoptic stations of Gorgan, Shiraz and Kish. Meteorological data included average minimum air temperature, average maximum air temperature, wind speed, average relative humidity and sunny hours during the statistical period of 2000 to 2022 on a monthly scale. In this regard, in order to implement each model, four scenarios were used, according to the different combination of input parameters, and to evaluate the performance of the results of these two models, the statistical indicators of correlation coefficient (R), root mean square error (RMSE) and coefficient Nash-Sutcliffe (N-S) was used. In order to verify and compare the results, Taylor, distribution, histogram, relative error and violin charts were also used. The results of the verification stage related to the fourth scenario of the hybrid model in Gorgan with values of (R=0.99), (RMSE=8.19) and (NS=0.99), in Shiraz with (R=0.99), (RMSE=18.43) and (NS=0.98) and showed better performance than other models in Kish with (R=0.97), (RMSE=19.36) and (NS=0.93). The results of the research indicate that the hybrid algorithm of Kut and the artificial neural network is able to improve the accuracy of the artificial neural network in all scenarios and with any input combination of data. Also, it can be concluded that in the fourth scenario, the ANN-COOT4 hybrid algorithm, which includes all meteorological data as input, has brought the most accurate results in all three stations. The findings of the present study showed that the Bird Coot optimizer algorithm is a powerful and efficient algorithm that can improve the artificial neural network system in any climate and provide a more accurate and less error hybrid model for evaporation modeling.

عنوان گونه گون

Modeling the Evaporation Process Using COOT Bird Hybrid Algorithm and Artificial Neural Network

عنصر شناسه اي

‏عالم پور رجبی،

ساير عناصر نام

‏‏فرناز

کد نقش

تهیه کننده

عنصر شناسه اي

‏قربانی،

عنصر شناسه اي

اسدی،

ساير عناصر نام

‏محمدعلی

ساير عناصر نام

‏اسماعیل

تاريخ

استاد راهنما

تاريخ

استاد راهنما

عنصر شناسه اي

تبریز