Persian
Language
Geographical Research is Published in Persian Fulltext.
دوره 30، شماره 2 - ( 1394 )
جلد 30 شماره 2 صفحات 274-261 |
برگشت به فهرست نسخه ها
نوع مقاله:
موضوع مقاله:
History
دریافت: 1393/1/18 | پذیرش: 1393/11/25 | انتشار: 1394/6/30
دریافت: 1393/1/18 | پذیرش: 1393/11/25 | انتشار: 1394/6/30
How to cite this article
Rahmati E, Montazeri M, Gandomkar A, Lshanizand M. Evaporation Predict Using Climate Signals and Artificial Neural Network in Dez Basin. GeoRes 2015; 30 (2) :261-274
URL: http://georesearch.ir/article-1-650-fa.html
URL: http://georesearch.ir/article-1-650-fa.html
رحمتی عنایت اله، منتظری مجید، گندمکار امیر، لشنی زند، مهران. پیش بینی تبخیر با استفاده از شبکه عصبی مصنوعی و سیگنا لهای اقلیمی در حوضه دز. فصل‌نامه تحقیقات جغرافیایی. 1394; 30 (2) :261-274
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Rights and permissions
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Authors
عنایت اله رحمتی1، مجید منتظری2، امیر گندمکار1، مهران لشنی زند،3
1- گروه جغرافیا، دانشکده علوم انسانی، دانشگاه آزاد اسلامی، نجف آباد،ایران
2- گروه آب و هواشناسی، دانشگاه اصفهان،اصفهان،ایران
3- عضو هیأت علمی مرکز تحقیقات کشاورزی لرستان ،لرستان،ایران
2- گروه آب و هواشناسی، دانشگاه اصفهان،اصفهان،ایران
3- عضو هیأت علمی مرکز تحقیقات کشاورزی لرستان ،لرستان،ایران
چکیده (3217 مشاهده)
تبخیر از پدیده های مهم چرخه آبشناختی است و تخمین و پیش بینی آن در مدیریت و برنامه ریزی اصولی آب ضروری می باشد، به همین خاطر به پیش بینی این پدیده در حوضه دز که بخش مهمی از آب مصرفی کشور را تأ مین می کند پرداخته شده است. در شبیه سازی تبخیر و بررسی امکان پیش بینی آن ازمدل شبکه عصبی مصنوعی با بهره گیری از نرم افزار نروسلوشن استفاده گردیده که آمار مربوط به تبخیر در 4 ایستگاه همدید با حداقل 19 سال آمار ماهانه و داده های مربوط به مهمترین شاخص های آب و هوایی، مورد تجزیه و تحلیل قرار گرفته است. نتایج پژوهش نشان می دهد که مهمترین شاخص های مرتبط با تبخیر در حوضه شامل نینا 3، اس. دبلیومونسون، ام.ای.آی، نینا 1، نینا 4 و نینا 3/4 میباشد. مقایسه داده های مشاهده ای تبخیر و خروجی شبکه عصبی مصنوعی همبستگی بالا بین این داده ها را نشان می دهد، به طوریکه میزان این همبستگی در ایستگاه خرم آباد 79 درصد، دزفول 94 درصد، کوهرنگ 80 درصد و اراک 72 درصد است. با توجه به خروجی شبکه عصبی و داده های مربوط به شاخص های آب و هوایی می توان با دقت بالای 98 درصد به پیش بینی تبخیر درحوضه اقدام نمود
واژه‌های کلیدی:
فهرست منابع
1. چاری، محمدمهدی و افراسیاب، پیمان و دلبری، معصومه .( 1390 ). پیش بینی تبخیر از سطح ایستایی کم عمق با استفاده از شبیه های وایازی و شبکه عصبی مصنوعی، مجله مهندسی منابع آب، ش 13 ، صص 20-11.
2. خوشحال دستجردی، جواد و حسینی، سیدمحمد .( 1389 ). کاربرد شبکه های عصبی مصنوعی در شبیه سازی عناصر اقلیمی و پیش بینی سیکل خشکسالی، مجله جغرافیا و برنامه ریزی محیطی، ش 39 ، صص 120-107.
3. دهقانی، امیر احمد و اسکافی نوغانی، محسن و مساعدی، ابوالفضل .( 1387 ). پیش بینی تلفات تبخیر با استفاده از شبکه عصبی مصنوعی، سومین کنفرانس مدیریت منابع آب ایران.
4. دهقانی، امیر احمد و پیری، مهدی و حسام، موسی و دهقانی، نوید .( 1389 ). تخمین تبخیر روزانه از تشت تبخیر با استفاده از سه شبکه عصبی پرسپترون چند لایه، مجله پژوهش های حفاظت خاک، ش 2، صص 67-49.
5. سلطانی، سعید و همکاران .( 1389 ). شبک ههای عصبی مصنوعی، تهران: نشر نص.
6. علیزاده، امین .( 1389 ). اصول هیدرولوژی کاربردی، تهران: انتشارات آستان قدس رضوی.
7. قلی زاده، محمد حسین و دارند، محمد .( 1388 ). پیش بینی بارش ماهانه با استفاده از شبکه عصبی مصنوعی؛ مورد:تهران، پژوهش های جغرافیایی، ش 71 ، صص 63-51.
8. لشنی زند، مهران و همکاران .( 1390 ). پیش بینی خشکسالی با استفاده از سیگنالهای اقلیمی و شبکه عصبی مصنوعی در جنوب غرب ایران، طرح تحقیقاتی سازمان تحقیقات و آموزش کشاورزی.
9. لوران، فاست .( 1388 ). مبانی شبکه های عصبی مصنوعی، ترجمه ویسی و دیگران، تهران: نشر نص.
10. محجوبی، عماد و تجریشی، مسعود .( 1390 ). برآورد میزان تبخیر از تشتک با استفاده از الگوریتم شبک ههای عصبی مصنوعی، دومین کنفرانس ملی پژوه شهای کاربردی منابع آب ایران.
11. Hamlet, A. F. and Letenmaier, P. L. (1999). Colombia River stream flow forecasting based on ENSO and PDO climate signals. Journal of water resources planning and management. 125, 333- 341.
12. Kisi O. (2006). Daily Pau evaporation modeling using a Neural–fuzzy computing technique. J. Hidrol. 39, 636-646.
13. Krenke.A .(1998). Impact of Enso on snow cover in the former Soviet ::union:: Gewax, WCRP, News, Nov 1998.
14. kumar M, Bandayopadhyay A, and Singh R. (2008). Comparative study of conventional and artificial neural network-based ETO estimation models Irrigation sciences. 26, 531-545.
15. piri. J, Amin. S, Moghadamnia. A., Keshavarz. A. (2009). Daily Pan Evaporation models in a hot and dry climate, journal of Hydrologic engineering.
16. Pozo, D. and Esteban, F. and Radrigo, Y. (2001). The association between ENSo and winter Atmospheric circulation and tempratur in the north Atlantic rigion, Journal of climate. 14, 265- 281.
17. Quinn, W. H. D. O. Zopf, K. S. Short and R. T. W. Kuo Yang. (1988). Historical Trends and Statistics of the Southern Oscillation, El Nino and Indonesian Droughts, Fish. Bull. 76, 663-678.
18. Serrano, S. M. V. .(2006). "EL Nino and La Nino influence on droughts at different timescales in the Iberian Peninsula", European Geosciences ::union::, Geophysical Research 8:1-18.
19. Sudheer K. P, Gosian, A. K, and Rama sastri K .S. (2003). Estimating actual evapotranspiration from limited data using neural computing technique.J.Irrigation .dranage.enginering 129, 214- 218.
20. Sungwon, K. Hongkee, J. (2006). An expansion of the ungagged pan evaporation using Neural Network model in rural region, South Korea world environmental and water resources congress
ارسال پیام به نویسنده مسئول