TY - JOUR ID - 9319 TI - برآورد مقدار تبخیر با استفاده از شبکه عصبی مصنوعی و الگوریتم ژنتیک (مطالعه موردی: ایستگاه تبریز) JO - جغرافیا و برنامه‌ریزی JA - GP LA - fa SN - 2008-8078 AU - خورشیددوست, علی محمد AU - میرهاشمی, حمید AU - نظری, موسی AD - دانشگاه تبریز AD - دانشگاه لرستان Y1 - 2019 PY - 2019 VL - 23 IS - 68 SP - 71 EP - 90 KW - تبریز KW - قدرت تبخیر جو KW - شبکه عصبی مصنوعی KW - رگرسیون چند متغیره DO - N2 - 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. UR - https://geoplanning.tabrizu.ac.ir/article_9319.html L1 - https://geoplanning.tabrizu.ac.ir/article_9319_7f44401cf3e7730e0e9aa740487db90e.pdf ER -