ارزیابی و مقایسه شبکه های عصبی grnn، mlp و rbf در تخمین تبخیر- تعرق گیاه مرجع، خیار و گوجه فرنگی در شرایط گلخانه ای
چکیده
چکیدهای برای این سند ثبت نشده است.
چکیدهای برای این سند ثبت نشده است.
در این تحقیق، کارائی دو نرمافزارشبکه عصبی مصنوعی (ann) در برآورد تبخیر-تعرق گیاه مرجع (et0) بررسی گردید. بدین منظور از دادههای 2 سال لایسیمتری به عنوان ارقام شاهد برای ارزیابی استفاده شده و دو نرمافزار مرسوم ns وnw با قابلیت بهکارگیری آلگوریتمهای متفاوت، بهکار رفت. جهت ارزی
در این مطالعه عملکرد شبکههای عصبی مصنوعی با تابع پایه شعاعی (RBF(، پرسپترون چندلایه (MLP (و رگرسیون تعمیمیافته (GRNN (در تخمین تبخیر- تعرق گیاه مرجع، خیار و گوجهفرنگی در محیط گلخانه ارزیابی و مقایسه گردید. برای این منظور همزمان با اندازهگیری تبخیر- تعرق بهروش لایسیمتری، عوامل اقل
برآورد دقیق تبخیر- تعرق، بهعنوان یکی از اجزای اصلی چرخه هیدرولوژی، در مدیریت منابع آب، برنامهریزی آبیاری و مطالعههای زیستمحیطی اهمیت فراوان دارد. اندازهگیری میزان واقعی این مؤلفه بسیار مشکل است، بنابراین بهکارگیری مدلهایی که بر استفاده از دادههای هواشناسی موجود استوار هستند میتوا
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
هدف این مطالعه مقایسه و واسنجی تعداد ۲۰ روش مختلف تخمین تبخیر- تعرق گیاه مرجع (0ET) مبتنی بر سه روش کلی دمای هوا، تابش خورشید و انتقال جرم در حوضه آبریز دریاچه ارومیه میباشد. برای اینمنظور از اطلاعات ۱۰ ایستگاه هواشناسی همدید در دوره آماری ۲۰۱۰-۱۹۸۶ استفاده شد. نتایج روشهای مذ
تخمین دقیق تبخیر-تعرق گیاه مرجع (ETo (بهعنوان بخش مهمی از چرخه هیدرولوژی نقش بسزایی در برنامهریزی و مدیریت منابع آبی مناطق خشک ایفا میکند. در این مطالعه، دقت و قابلیت مدل سیستم استنتاج انطباقی فازی- عصبی (ANFIS (در تخمین تبخیر-تعرق موردبررسی قرار گرفت. بدینمنظور، دادههای هواشناسی