Evaluation of Two Artificial Neural Network Software in Predict of Crop Reference Evapotranspiration

Document Type : Research Paper

Authors

Abstract

In this study, the performance of two different artificial neural network software's named neuro solution (NS) and neural works professional II (NW) in estimation of crop reference evapotranspiration (ET0) were evaluated. For models evaluation, some statistical parameters such as root mean square error (RMSE), mean absolute error (MAE) and coefficient of determination (R2) were calculated for different arrays, learning rules and transfer functions. For the NS software the best fitted array characterizing with lowest values of RMSE, MAE and highest R2 were found to be 0.08, 0.07 (mm day-1) and 0.87, respectively. Results showed that the NS software with the best fitted network array of: learning rule of conjugate gradient and transfer function of sigmoid type, which required shorter computational time and less iteration loops, can perform better prediction. The results indicated that using two hidden layers did not improve the accuracy of ET0 predictions, in comparison with the results obtained by one hidden layer layout. The sensitivity analysis of neural network model revealed that ET0 is very sensitive to maximum air temperature (Tmax). In contrast, the estimated daily ET0 showed the lowest sensitivity to minimum relative humidity (RHmin). 

Keywords

Main Subjects

References

پلنگی ج، معاضد ه و طارقیان ر، 1385. تخمین تبخیر و تعرق گیاه مرجع با استفاده از شبکه­های عصبی در اهواز. همایش ملی مدیریت شبکه های آبیاری و زهکشی، دانشگاه شهید چمران اهواز.
تفضلی ف، سبزی­پرور ع ا، زارع­ابیانه ح، مریانجی ز و موسوی بایگی م، 1386. ارزیابی مدل های رایج تبخیر و تعرق در اقلیم سرد نیمه خشک به منظور استفاده بهینه از مدل های تابش. چکیده مقالات نهمین سمینار آبیاری و کاهش تبخیر دانشگاه شهید باهنر کرمان. صفحات 15-16.
تقوی ف و محمدی ح، 1386. بررسی دوره بازگشت رویدادهای اقلیمی حدی به منظور شناخت پیامدهای زیست محیطی. مجله محیط شناسی. سال 33. شماره 43. صفحات 20-11.
حسینی س م ط، سی­وسه­مرده ع، فتحی پ و سی­وسه­مرده م، 1386. کاربرد شبکه­های عصبی و رگرسیون چند متغیره در برآورد عملکرد گندم دیم منطقه قروه استان کردستان. مجله پژوهش کشاورزی: آب، خاک و گیاه در کشاورزی. جلد 7. شماره 1. صفحات 41-53.
حق­وردی ا، محمدی ک و سبزی­پرور ع ا، 1386. برآورد تبخیر تعرق با شبکه­های پرسپترون چند لایه- مطالعه موردی همدان. چکیده مقالات نهمین سمینار آبیاری و کاهش تبخیر دانشگاه شهید باهنر کرمان. صفحه 3.
حق­وردی ا، محسنی موحد ا و محمدی ک، 1386. تخمین میزان تبخیر از تشتک با استفاده از مدل­های شبکه­های عصبی مصنوعی. چکیده مقالات نهمین سمینار آبیاری و کاهش تبخیر دانشگاه شهید باهنر کرمان. صفحه 2.
شایان­نژاد م، 1385. مقایسه دقت روش­های شبکه­های عصبی مصنوعی و پنمن – مانتیس در محاسبه تبخیر و تعرق پتانسیل. همایش ملی مدیریت شبکه­های آبیاری و زهکشی، دانشگاه شهید چمران اهواز.
طهماسبی ع ر و زمردیان س م ع، 1383. برآورد پتانسیل روانگرایی خاک­ها با استفاده از شبکه عصبی مصنوعی. دومین کنفرانس ملی دانشجوئی منابع آب و خاک. دانشگاه شیراز.
قاسمی ع، زارع ابیانه ح، امیری چایجان ر و محمدی ک،1386. ارزیابی دقت روش شبکه­های عصبی مصنوعی و معادلات تجربی در محاسبه تبخیر-تعرق پتانسیل در استان همدان. چکیده مقالات نهمین سمینار آبیاری و کاهش تبخیر دانشگاه شهید باهنر کرمان. صفحه 17.
کارآموز م، رحیمی فراهانی م ومریدی ع، 1385. پیش­بینی بلند مدت بارش با استفاده از سیگنال­های هواشناسی و کاربرد شبکه­های عصبی مصنوعی منطقه جنوب شرق ایران. مجموعه مقالات دومین کنفرانس مدیریت منابع آب دانشگاه صنعتی اصفهان.
مجرد ف، قمرنیا ه و نصیری ش، 1383. مطالعه تطبیقی روش­های برآورد تبخیر- تعرق پتانسیل در جلگه مازندران. نیوار. شماره­های 54 و 55. صفحات 95-77.
منهاج م ب، 1377. مبانی شبکه­های عصبی. چاپ اول. مرکز نشر پرفسور حسابی. تهران.
میثاقی ف و محمدی ک، 1383. پیش­بینی تغییرات کیفیت آب رودخانه زاینده رود با استفاده از شبکه­های عصبی مصنوعی. دومین کنفرانس ملی دانشجوئی منابع آب و خاک. دانشگاه شیراز.
Arca B, Benincasa F, De Vincenzi M and Ventura A, 1998. Neural network to simulate evaporation from Class A pan. Proceedings of the 23rd Conference of agricultural and forest meteorology. New Mexico, 258-288.
Anonymous, 1992. Software Reviews. NeuralWorks Professional II/PlusPublisher: NeuralWare Inc., Penn. Center West. Social Science Computer 10: 407-409.
Anonymous, 1994. NeuroSolutions: Premier Neural Network Development Environment [Online]. http://www.neurosolutions.com
Bruton JM, McClendon RW and Hoogenboom G, 2000. Estimating daily pan evaporation with artificial neural network. Trans. ASAE 43(2): 492-496.
Cannon AJ and Whitfield PH, 2002. Down scaling recent stream-flow conditions in British Columbia, Canada using ensemble neural networks. J Hydro 259: 136-151.
Chan KK, Spedding TA, 2003. An integrated multidimensional process improvement methodology for manufacturing systems. Computers & Industrial Eng 44: 673–693.
Hecht-Nielsen R, 1987. Kolmogorov's mapping neural network existence theorem, IEEE International Conference on Neural Networks, SOS Printing, San Diego Vol. 3. pp. 11--14.
Kisi O, 2006. Evapotranspiration estimation using feed-forward neural network. Nordic Hydrology 37(3): 247-260.
Kumar M, RaghuwanshiNS, Singh R, Wallender WW and Pruitt WO, 2002. Estimating evapotranspiration using artificial neural networks. J Irr and Drainage Eng. ASCE 128(4): 224-233.
Nasseh S, Mohebbi A, Sarrafi A and Taheri M, 2009. Estimation of pressure drop in venturi scrubbers based on annular two-phase flow model, artificial neural networks and genetic algorithm. J Chemical Eng. 150: 131–138.
Trajkovic S, Todorovic B and Standkovic M, 2003. Forecasting of reference evapotranspiration by artificial neural network. J Irr and Drainage Eng. ASCE 129(6): 454-457.
Zanetti SS, Sousa EF, Olivera VPS, Almeida FT and Bernardo S, 2007. Estimating evapotranspiration using artificial neural network and minimum climatologically data. J Irr and Drainage Eng ASCE 133 (2): 83-89.
Water and Soil Science
Volume 19, Issue 1
May 2009
Pages 201-212

Files

Share

How to cite

Statistics