کنفرانس بین المللی محاسبات نرم

صفحه اصلی / پنجمین کنفرانس بین المللی محاسبات نرم

بررسی عملکرد مدل هیبریدی شبکه عصبی شعلۀ پروانه (ANN-MFO) در تخمین تبخیر و تعرق مرجع در اقلیم نیمه‌مرطوب (مطالعه موردی: ایستگاه سینوپتیک گرگان)

نویسندگان :

معین توسن¹ عباس خاشعی سیوکی² علی ماروسی³ نسرین خوش نواز⁴ محمدرضا قریب⁵

1- دانشگاه بیرجند 2- دانشگاه بیرجند 3- دانشگاه تربت حیدریه 4- دانشگاه تربت حیدریه 5- دانشگاه تربت حیدریه

کلمات کلیدی :

محاسبات نرم،مدل هیبریدی،شبکه عصبی مصنوعی،بهینه‌ساز شعلۀ پروانه،تبخیر و تعرق

چکیده :

تبخیر و تعرق (ETo) یکی از مهمترین فرآیندها در چرخه هیدرولوژیکی است که کاربرد ویژه‌ای در مدیریت پایدار منابع آب دارد. مطالعه حاضر با هدف ارزیابی توانایی تخمین تبخیر و تعرق روزانه در اقلیم نیمه‌مرطوب با استفاده از یک مدل ترکیبی شامل شبکه عصبی مصنوعی (ANN) ادغام شده با الگوریتم بهینه‌سازی شعلۀ پروانه (ANN-MFO) انجام می‌شود. داده‌های روزانه هواشناسی از ایستگاه سینوپتیک شهرستان گرگان، طی دوره 2000 تا 2023 برای آموزش مدل، آزمایش و اعتبار سنجی استفاده شد. دقت پیش‌بینی مدل پیشنهادی با سایر الگوریتم‌های پیشرفته، از جمله الگوریتم ازدحام ذرات (ANN-PSO) و الگوریتم ژنتیک گرهی (ANN-GA) مقایسه شد. نتایج نشان داد که در شرایط استفاده از حداقل پارامتر هواشناسی، مدل هیبریدی ANN-MFO پیشنهادی در کلیه ترکیبات ورودی کارآمدتر بوده و سطوح شبیه‌سازی بالایی دارد، به‌طوری که با استفاده از پارامترهای دما و سرعت باد، معیارهای ارزیابی مدل ANN-MFO به‌صورت 0/988=R2 و 0/0003=MSE و با استفاده از پارامترهای ورودی کامل، معادل 0/999=R2 و 0/0000=MSE به‌دست آمد. با توجه به دقت پیش‌بینی بالا و خطای کم، مدل ترکیبی پیشنهادی می‌تواند یک تکنیک امیدوارکننده در نظر گرفته شود.