خانه :: اساتید :: اخبار

بازدید:17191   بروزرسانی: 30-07-1398

Masoud Karbasi

Masoud Karbasi
Reconstruction of missing data of monthly total sunshine hours using artificial neural networks
بازسازی داده‌های مفقوده مجموع ماهیانه ساعات آفتابی با استفاده از شبکه‌های عصبی مصنوعی
چکيده


تبخیر-تعرق گیاه مرجع یکی از عوامل مهم چرخه هیدرولوژیکی است که باید در طرح سیستم‌های آبیاری، تأسیسات آبی، مطالعات زهکشی و هیدرولوژیکی برآورد شود. یکی از داده‌های موردنیاز برای محاسبه این پارامتر بااهمیت، مقدار تابش خورشیدی می‌باشد که در صورت عدم وجود داده‌های آن از مجموع ماهیانه ساعات آفتابی استفاده می‌شود. با توجه به اینکه در اکثر ایستگاه‌های هواشناسی کشور در سال‌های گذشته داده‌های مربوط به مجموع ماهیانه ساعات آفتابی موجود نمی‌باشد، نیاز به بازسازی داده‌های مربوط به آن احساس می‌شود. در تحقیق حاضر با استفاده از دو نوع شبکه عصبی مصنوعی MLP و RBF و همچنین داده‌های هواشناسی ایستگاه هدف و ایستگاه‌های مجاور اقدام به بازسازی داده‌های مجموع ماهیانه ساعات آفتابی گردید. نتایج این تحقیق نشان داد که می‌توان با استفاده از داده‌های هواشناسی ایستگاه هدف و ایستگاه‌های مجاور، مجموع ماهیانه ساعات آفتابی را با دقت بالایی بازسازی کرد. نتایج سناریوهای مختلف اعمال شده نشان داد که درصورتی‌که صرفاً از داده‌های هواشناسی ایستگاه هدف استفاده شود می‌توان با پارامترهای هواشناسی حداقل و حداکثر دما، رطوبت نسبی متوسط، تابش فرازمینی و تعداد روزهای صاف، ابری و نیمه‌ابری با RMSE، 79/16 ساعت و درصد خطای متوسط 44/6 درصد مجموع ماهیانه ساعات آفتابی را تخمین زد. همچنین درصورتی‌که تنها از داده‌های ایستگاه مجاور استفاده شود، استفاده از ایستگاه‌های بیشتر منجر به افزایش دقت می‌شود (RMSE، 25/14 ساعت و درصد خطای متوسط 71/5 درصد). بهترین نتیجه زمانی به دست آمد که از هر دو سری داده هواشناسی ایستگاه هدف و ایستگاه‌های مجاور استفاده شود (RMSE، 78/13 و درصد خطای متوسط 97/4 درصد). مقایسه عملکرد دو شبکه عصبی مصنوعی MLP و RBF نشان داد که دقت شبکه عصبی مصنوعی MLP تا حدودی بیشتر از شبکه عصبی RBF می‌باشد. در پایان نیز سری زمانی تبخیر- تعرق مرجع برای سال‌هایی که داده مجموع ماهیانه ساعات آفتابی موجود نبود، بازسازی گردید.