مقایسه عملکرد شبکه‌های عصبی RBF و MLP در برآورد تبخیر و تعرق گیاه مرجع

نوع مقاله: مقاله پژوهشی

نویسندگان

دانشکده کشاورزی دانشگاه تبریز

چکیده

تبخیر و تعرق یکی از اجزای اصلی چرخه‌ی هیدرولوژی است. این فرایند پیچیده به عوامل متعدد اقلیمی وابسته است. شبکه‌های عصبی مصنوعی در چند دهه‌ی اخیر و در مطالعات صورت گرفته برای مدل‌سازی سیستم‌های پیچیده و غیر خطی قابلیت بسیار بالایی از خود نشان داده‌اند. در تحقیق حاضر امکان استفاده از شبکه‌های با تابع پایه‌ی شعاعی (RBF) و شبکه‌های پرسپترون چند لایه (MLP) برای تخمین تبخیر و تعرق گیاه مرجع مورد مطالعه قرار گرفته است. با استفاده از سری داده‌های هواشناسی سال‌های 1383-1330 ایستگاه تبریز، ابتدا مقادیر متوسط تبخیر و تعرق ماهانه‌ی گیاه مرجع از روش استاندارد پنمن – مونتیث (PM)، محاسبه شد. سپس با استفاده از این مقادیر به عنوان خروجی‌های هدف، شبکه‌های مختلفی با ساختار متفاوت تعریف و آموزش داده شد. در نهایت قابلیت شبکه برای تخمین تبخیر و تعرق با استفاده از قسمتی از داده‌ها که در طراحی و یا آموزش شبکه استفاده نشده‌اند، مورد بررسی قرار گرفت. با بررسی‌های انجام گرفته مشخص شد که تنها با استفاده از دو پارامتر دمای میانگین و سرعت باد به عنوان ورودی، می‌توان میزان تبخیر و تعرق گیاه مرجع را با استفاده از این دو نوع شبکه با دقت قابل قبولی (4081/0RMSE< و 976/0 R2> برای مجموعه‌ی صحت‌سنجی) تخمین زد. همچنین با مقایسه‌ی نتایج حاصل از دو شبکه مشخص شد که شبکه‌های MLP نسبت به RBF در تخمین تبخیر و تعرق گیاه مرجع از دقت نسبتاً بیشتری برخوردارند و تنها مزیت شبکه‌های RBF زمان کمتر مورد نیاز برای آموزش است.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Comparison of RBF and MLP Neural Networks Performance for Estimation of Reference Crop Evapotranspiration

نویسندگان [English]

  • H Sayyadi
  • A Oladghaffari
  • A Faalian
  • AA Sadraddini
چکیده [English]

Evapotranspiration is one of the most important components of the hydrologic cycle. This complex phenomenon is related to several climatological factors. Over the last decades, Artificial Neural Networks (ANNs) have shown a good ability for modeling complex and nonlinear systems. In the present research, the ability of Radial Basis Function (RBF) and Multi Layer Perceptron (MLP) neural networks in estimation of reference crop evapotranspiration (ETo) was studied. First, using meteorological dataset of 1951-2004 years for Tabriz Station, the mean values of monthly reference crop evapotranspiration were calculated by Penman-Monteith (PM) method. Then, using these calculated values as target outputs various networks with different structures were defined and trained. Finally, the capabilities of these networks for estimation of evapotranspiration were analyzed using some values of dataset that were not used in the training of neural networks. The obtained results showed that, the value of reference crop evapotranspiration might acutely be estimated (RMSE2>0.976 for validation dataset) when the parameters of average temperature and wind velocity were used as the inputs of model. Also, comparison of these two neural network results specified that MLP neural networks had a relatively more accuracy than RBF neural networks in estimation of ETo, and the only advantage of RBF neural networks was their much less time of training.

کلیدواژه‌ها [English]

  • Reference crop evapotranspiration
  • Penman-Monteith Method
  • Multi Layer Perceptrons
  • Radial basis functions
سلطانی س و مرید س، 1384. مقایسه برآورد تابش خورشید با استفاده از روش­های هارگریوز – سامانی و   شبکه­های عصبی مصنوعی. دانش کشاورزی، جلد 15، شماره 1. صفحه­های 69-78.
Allen RG, Pereira LS, Raes D and Smith M, 1998. Crop evapotranspiration, guideline for computing water requirements. Irrigation Drainage Paper No.56. FAO, RomeItaly.
Anonymous, 2007. Neural network toolbox 5, User's guide, 9th printing version 5. The Mathworks Inc. Massachusetts, USA.
BasheerIA and Hajmeer M, 2000. Artificial neural networks: fundamentals, computing, design, and application. J Microbiologic Meth 43: 3-31.
Chiew FHS, Kamaladassa NN, Malano HM and MacMahon TA, 1995, Penman-Monteith, FAO-24 reference crop evapotranspiration and class-A pan data in Australia. Agric Water Manage 28: 9-21.
Haykin S, 1999. Neural networks: A comprehensive foundation. NJ. Prentice-Hall Inc. Englewood Cliffs.
JainSK, Singh VP and van Genuchten MTh, 2004. Analysis of soil water retention data using artificial neural networks. J Hydrol Engin ASCE. 9 (5): 415-420.
Kumar M, RaghuwanshiNS, Singh R, Wallender, WW and Pruitt WO, 2002. Estimating evapotranspiration using artificial neural network. J Irrig Drain Engin ASCE 128 (4): 224-233.
Rahimi Khoob A, 2008. Comparative study of Hargreaves’s and artificial neural network’s methodologies in estimating reference evapotranspiration in a semiarid environment. Irrigation Science 26: 253-259.
Sudheer KP and JainSK, 2003. Radial basis function neural network for modeling rating curves. J Hydrol Engin ASCE 8 (3): 161-164.
Zanetti SS, Sousa EF, Oliveira VPS, Almeida FT and Bernardo S, 2007. Estimating evapotranspiration using artificial neural network and minimum climotological data. J Irrig and Drain Engin ASCE 133 (2): 83-89.