آب و هواشناسی
علی محمد خورشیددوست؛ حمید میرهاشمی؛ موسی نظری
دوره 23، شماره 68 ، شهریور 1398، ، صفحه 71-90
چکیده
به سبب تأثیر متقابل عناصر هواشناختی در محاسبه قدرت تبخیر جو، تخمین آن یک کار پیچیده و غیر خطی است. لذا برای تخمین آن باید از مدلهای پیشرفته ریاضی استفاده نمود. در این مطالعه جهت برآورد قدرت تبخیر جو در سطح ایستگاه تبریز از شبکههای عصبی مصنوعی بر پایه دو الگوریتم آموزشی لونبرگ ـ مارکوئت و الگوریتم ژنتیک، رگرسیون خطی چند متغیره و ...
بیشتر
به سبب تأثیر متقابل عناصر هواشناختی در محاسبه قدرت تبخیر جو، تخمین آن یک کار پیچیده و غیر خطی است. لذا برای تخمین آن باید از مدلهای پیشرفته ریاضی استفاده نمود. در این مطالعه جهت برآورد قدرت تبخیر جو در سطح ایستگاه تبریز از شبکههای عصبی مصنوعی بر پایه دو الگوریتم آموزشی لونبرگ ـ مارکوئت و الگوریتم ژنتیک، رگرسیون خطی چند متغیره و معادله پنمن ـ فائو استفاده شده است. بر این اساس در مدل شبکه عصبی با اتخاذ یک و دو لایه پنهان و دو تابع فعالسازی تانسیگمویید و لوگسیگمویید، 56 مدل شبکه عصبی تولید شد. ارزیابی و مقایسه نتایج این مدلها براساس معیارهای چون ضریب تعیین و مجذور میانگین مربعات خطا نشان داد که دقت مدلها بستگی به نوع تابع محرک، نوع الگوریتم آموزشی، تعداد لایههای پنهان و تعداد نرونهای اتخاذ شده دارد. از سوی نتایج نشان داد که در مدلهای تک لایه، دقت وزندهی الگوریتم ژنتیک برای هر دو تابع فعالساز بیش از الگوریتم لونبرگ ـ مارکوئت است. از سویی در مدلهای با دو لایه پنهان دقت وزندهی الگوریتم آموزشی لونبرگ مارکوئت بیش از الگوریتم ژنتیک بوده؛ به طوری که دقیقترین مدل شبکه با آرایش 5-7-7-1 با مجذور میانگین مربعات خطای 227/0 میلیمتر بر اساس الگوریتم آموزشی لونبرگ مارکوئت و دو لایه پنهان و تابع فعالسازی تان سیگمویید تولید شده بود. همچنین مجذور میانگین مربعات خطای مدل رگرسیون خطی چند متغیره و معادله پنمن ـ فائو به ترتیب به مقدار 79/0 و 34/1 بدست آمد. بنابراین مدل شبکه عصبی در قیاس با دو مدل مذکور دارای کارایی بهتر، ضریب دقت بیشتر و مقدار خطای کمتری جهت پیش بینی مقدار تبخیر ایستگاه تبریز است.