TY - JOUR ID - 70860 TI - معرفی و کاربرد ماشین‌بردار پشتیبان حداقل مربعات در برآورد تبخیر-تعرق مرجع و تحلیل عدم قطعیت نتایج؛ مطالعه موردی شهر کرمان JO - نشریه علمی پژوهشی مهندسی آبیاری و آب ایران JA - IWE LA - fa SN - 2251-7359 AU - سیفی, اکرم AU - میرلطیفی, مجید AU - ریاحی, حسین AD - گروه آبیاری و زهکشی، دانشگاه تربیت مدرس، تهران، AD - گروه آبیاری و زهکشی، دانشگاه تربیت مدرس، تهران، ایران AD - استادیار، گروه مهندسی آب، دانشگاه ولی عصر رفسنجان، کرمان Y1 - 2013 PY - 2013 VL - 4 IS - 1 SP - 67 EP - 79 KW - تبخیر-تعرق لایسیمتری KW - تحلیل عدم قطعیت مونت-کارلو KW - سیستم استنتاج تطبیقی عصبی فازی KW - شبکه‌های عصبی مصنوعی KW - ماشین بردار پشتیبان حداقل مربعات DO - N2 - تبخیر-تعرق مرجع (ETo) یکی از پارامترهای مهم در طراحی پروژه­های تامین و توزیع آب، مدیریت آبیاری، طراحی سیستم‌های آبیاری، کشاورزی و عملیات هیدرولوژیکی است. پیچیدگی، ناشناخته بودن ریاضیات پدیده تبخیر-تعرق، عدم وجود داده­های بلندمدت هواشناسی قابل اطمینان، هزینه­بر بودن استفاده از لایسیمترها و عدم وجود آن‌ها در اکثر مناطق لزوم استفاده از روش­های جدید داده­کاوی را نشان می­دهد. بدین منظور در این تحقیق از مدل ماشین بردار پشتیبان حداقل مربعات (LSSVM) مبتنی بر آزمون گاما (GT) با سه تابع هسته­ای RBF، خطی (Linear) و چند جمله­ای (Polynomial) برای پیش‌بینی تبخیر-تعرق لایسیمتری استفاده گردید و نتایج آن با دو مدل شبکه­های عصبی مصنوعی (ANN)، سیستم استنتاج تطبیقی عصبی فازی (ANFIS) و داده­های لایسیمتری مقایسه گردید. داده­های هواشناسی روزانه یکساله ایستگاه سینوپتیک کرمان و داده­های تبخیر-تعرق لایسیمتری در این تحلیل استفاده شد. بهترین ترکیب در مدلسازی ETo در ایستگاه­ مورد بررسی با استفاده از GT، ترکیب دارای متغیرهای دمای حداکثر، دمای نقطه شبنم، رطوبت نسبی میانگین، سرعت باد و شدت تابش انتخاب گردید و مدلسازی بر اساس این ترکیب صورت گرفت. نتایج LSSVM بیانگر برتری تابع هسته­ای RBF نسبت به دو تابع چندجمله­ای و خطی بود. علاوه بر این، توزیع خطای پیش­بینی­ها نشان داد که مدل­های ANFIS و LSSVM-RBF میزان خطای کمتری را به ترتیب در دو مرحله آموزش و آزمایشی ایجاد کردند. در انتهای تحقیق، تحلیل عدم قطعیت مونت-کارلو نتایج مدل­های مختلف مورد استفاده در این تحقیق نیز نشان داد که پیش­بینی­های مدل­های LSSVM عدم قطعیت کمتری نسبت به مدل­های ANN و ANFIS دارد. UR - https://www.waterjournal.ir/article_70860.html L1 - https://www.waterjournal.ir/article_70860_558cd95a6d41fc13006f4a94efa2090d.pdf ER -