مقالات آب و خاك (علوم و صنايع كشاورزي)

در اين مقاله از دو روش مبتني بر هوش مصنوعي شامل شبکه عصبي مصنوعي (ANN) و سيستم استنتاج تطبيقي عصبي - فازي (ANFIS) و دو مدل پنمن مانتيث فائو 56 (PMF56) و بلاني کريدل (BC) براي مدل سازي سيستم غيرخطي تبخير تعرق گياه مرجع (ET₀) که داده هاي ورودي - خروجي آن به صورت سري زماني دو ساله (77-1376) بودند، استفاده شد. ساختار شبکه ANN و ANFIS به گونه اي طراحي شدند تا ضمن مقايسه عملکرد آرايه هاي متفاوت، بتوانند تاثير مشخصات و رفتار ديناميکي سيستم را در مدل سازي نشان دهند. نتايج به دست آمده از 4 روش با داده هاي سال هاي 1376 و 1377 لايسي متر زهکش دار به ابعاد 2.25×1×1 متر براي گياه مرجع چمن و داده هاي هواشناسي مشتمل بر دماي حداقل و حداکثر، رطوبت نسبي حداقل و حداکثر، ساعات آفتابي و سرعت باد، در منطقه نيمه خشک سرد همدان تحت واسنجي قرار گرفتند. نشان داده شد که روش هاي هوش مصنوعي بهتر از روش هاي کلاسيک قادر به تخمين رفتار سيستم در همه مراحل عملکرد چه مرحله افزايش تبخير تعرق و چه مرحله کاهش تبخير تعرق مي باشند. افزون بر مزيت ياد شده، روش هاي هوش مصنوعي داراي دقت و سرعت بهتري در تخمين ET₀ در مقايسه با روش هاي کلاسيک مي باشند. آزمون مدل هاي هوش مصنوعي با داده هاي کاملا مستقل از داده هاي مورد استفاده در آموزش شبکه نشان داد که نتايج مدل سازي براي اين نوع فرآيند ديناميکي غيرخطي با ضريب همبستگي برابر 0.95، کاملا قابل اعتماد است. از ديگر نتايج اين مطالعه مي توان به مناسب تر بودن ANN نسبت به ANFIS و همچنين روش دمايي BC نسبت به مدل ترکيبي PMF56 اشاره داشت. همچنين اين پژوهش نشان داد که مدل ANN با آرايش1-3-6 و قانون يادگيري پس انتشار پيش خور در مقايسه با مدل بهينه ANFIS با قانون يادگيري پس انتشار، نتايج ET₀ بهتري را در شرايط اقليمي مورد مطالعه ارايه مي نمايد.

 نسخه قابل چاپ