تخمین تبخیر- تعرق گیاه مرجع درون گل‌خانه با استفاده از شبکه‌های عصبی مصنوعی

نوع مقاله: مقاله پژوهشی

چکیده

امروزه شبکه‌های عصبی مصنوعی کاربرد بسیاری در مسائل مختلف مهندسی آب که رابطه و الگوی مشخصی بین عوامل مؤثر بر وقوع یک پدیده وجود ندارد، پیدا کرده‌اند. در این پژوهش جهت تخمین تبخیر- تعرق مرجع داخل گل‌خانه با استفاده از شبکه‌های عصبی مصنوعی، از داده‌های هواشناسی اندازه‌گیری شده داخل گل‌خانه و همچنین داده‌های اندازه‌گیری شده خارج گل‌خانه استفاده گردید. در این پژوهش از شبکه‌های عصبی مصنوعی با ساختار پرسپترون چند لایه و الگوریتم یادگیری پس انتشار خطا با یک لایه پنهان جهت تخمین تبخیر- تعرق گیاه مرجع استفاده شد. نتایج حاصل از این بررسی نشان داد که با استفاده از شبکه‌های عصبی مصنوعی می‌توان تبخیر- تعرق گیاه مرجع (0ET) را با دقت مناسبی تخمین زد. شبکه عصبی مصنوعی با ورودی‌های تابش خارج از جو، دمای حداقل و حداکثر اندازه‌گیری شده، ساعت آفتابی و فشار بخار واقعی محاسبه شده در داخل گل‌خانه با جذر میانگین مربعات خطا (RMSE) برابر 1/1 میلی‌متر در روز بهترین نتیجه را جهت تخمین 0ET ارایه داد. این عمل برای داده‌های خارج از گل‌خانه نیز انجام شد که شبکه‌های عصبی مصنوعی با داده‌های ورودی دمای حداقل و حداکثر و ساعت آفتابی اندازه‌گیری شده در خارج از گل‌خانه با RMSE برابر 01/1 میلی‌متر در روز، بهترین نتیجه را جهت تخمین 0ET ارایه داد.
 

عنوان مقاله [English]

Estimation of reference evapotranspiration in greenhouse by Artificial Neural Network

چکیده [English]

Nowadays Artificial Neural Networks (ANNs) are being applied in several problems of water engineering where there is no clear relationship between effective parameters on the estimation of phenomenon. This research was used to measure aerodynamic data inside and outside greenhouse for estimating reference evapotranspiration in greenhouse by using ANNs. ANN was used with perceptron multilayer structure and Back Propagation with one hidden layer for estimating evapotranspiration by using meteorological parameters. Results showed, with regard to Root Mean Square Error (RMSE), ANNs wasable to estimate reference evapotranspiration with low error. Inside greenhouse, ANN showed a best estimation maximum temperature (Tmax), minimum temperature (Tmin), extraterrestrial radiation (Ra), actual vapor pressure (ea) and sunshine (n) in entrance layer and found as the best model for estimating inside greenhouse reference evapotranspiration with RMSE equal to 1.1 mm day-1. Outside greenhouse, ANN was found as best model which can use maximum temperature (Tmax), minimum temperature (Tmin), and sunshine (n) in entrance layer estimating inside greenhouse reference evapotranspiration with RMSE equal to 1.01 mm day-1.