طبقه بندی میزان تبخیر و تعرق پتانسیل با استفاده از شبکه های عصبی خودسازمانده (Self Organizing Map)

نوع مقاله: مقاله پژوهشی

نویسندگان

1 استادیار، گروه مرتع و آبخیزداری ، دانشگاه شیراز، داراب، ایران

2 استادیار، گروه مرتع و آبخیزداری، دانشگاه فسا، فسا، ایران

چکیده

تبخیـر و تعـرق پتانـسیل نقش مهمی در مطالعات کشاورزی، طرحهای مدیریت منابع آب، طراحی شبکه‌هـای آبیـاری و زهکشی و سازه‌های آبی دارد. با توجه به اهیمت این پارامتر در این مطالعه اقدام به طبقه بندی تبخیر و تعرق پتانسیل در جنوب استان فارس با استفاده از شبکه‌های عصبی خودسازمانده (SOM) شد. در این مطالعه داده‌های 7 پارامتر حداقل، میانگین و حداکثر دما، ساعات آفتابی، سرعت باد، حداکثر ساعات آفتابی و رطوبت نسبی با روش SOM طبقه‌بندی و خوشه‌بندی شدند. نتایج حاصل از این طبقه بندی نشان داد که دماهای حداقل، حداکثر و میانگین در منطقه مورد مطالعه دارای ارتباط معنی داری با یکدیگر می‌باشند. همچنین دمای حداقل، حداکثر و میانگین ارتباط معکوس با میزان رطوبت هوا در منطقه مورد مطالعه دارند. بر اساس شبکه عصبی خودسازمانده و استفاده از 7 داده به عنوان داده‌های ورودی مدل مشخص شد که تبخیر و تعرق در منطقه مورد مطالعه را می‌توان در 3 کلاس طبقه بندی نمود. به طوری که کلاس 3 دارای بیشترین تبخیر و تعرق و کلاس 1 دارای کمترین تبخیر و تعرق در منطقه مورد مطالعه باشند.

کلیدواژه‌ها


عنوان مقاله [English]

Classification of potential evapotranspiration using Self Organizing Map of neural network

نویسندگان [English]

  • Marzieh Mokarram 1
  • , Abdol Rasoul Zarei 2
1 . Assistant professor, Department of Range and Watershed Management, College of Agriculture and Natural Resources of Darab
2 Assistant professor in Department of Rang and Watershed Management. Faculty of Agricultural Science. Fasa University, Iran.
چکیده [English]

Potential evapotranspiration has an important role in agricultural studies, the project of water resources management, design of drainage and irrigation network and water structure. According to the importance of this parameters, in this study it has been tried to Classify the potential evapotranspiration using Self Organizing Map (SOM) of neural network in south of Fars province. Parameters that used in this study to classify with SOM method include: minimum temperature, maximum temperature, mean temperature, Sunshine hour, maximum of Sunshine hour, wind speed and relative humidity. Result of this paper shows that minimum temperature, maximum temperature and mean temperature have significant relative in study area. Also the minimum temperature, maximum temperature and mean temperature have invers relation by relative humidity in study area. According to Self Organizing Map (SOM) of neural network method and input parameters of this model, potential evapotranspiration in study area classified in 3 classes. So that class 3 has the highest evapotranspiration and class 1 has the lowest evapotranspiration.

کلیدواژه‌ها [English]

  • evapotranspiration
  • Neural Network
  • Self Organizing Map
  • SOM
 

منابع                                                 

مرشدی، الف، ح. و ح. معماریان. 1391.  پهنه‌بندی شاخص کیفی سنگ در ساختگاه سد سمیلان، بر اساس گسل‌ها و شبکه های عصبی خودسازمانده. مجله علوم زمین. شماره 21. ص 99 - 112.

سلطانی، س. و  س. مرید.1384. مقایسه بر آورد تابش خورشید با استفاده از روش هارگریوز- سامانی و شبکه‌های عصبی مصنوعی. مجله دانش کشاورزی. دانشگاه تبریز. شماره 1. جلد 15. ص 34-46.

  شرقی، ط.، ح. بری ابرقویی،  م. الف. اسدی و  م. ر. کوثری. 1389. برآورد تبخیر و تعرّق گیاه مرجع با استفاده از روش فائو-پنمن- مونتیث و پهنه بندی آن در استان یزد . فصلنامه علمی-پژوهشی خشک بوم ، شماره 1. ص 23-36.

Angstrom, A.1924. Solar and terrestrial radiation.  Journal Meteorological Society. )50( 121-136.

Allen,R. G and W. D. pruitt. 1986. Rational use of the FAO Blanycriddle Formula. j. Irrigation and Drainage Engineering, ASCE. (2) 139-155.

Allen, R. G, L. S. Raes and M. Smith. 1998. Crop evapotranspiration Guidelines for computing crop water requirements. FAO Irrigation and Drainage, NO. 56, FAO, Rome, Italy. 301P.

Daneshyar, M. 1978 . Solar radiation statistics for Iran. Sol Energy. (21) 345-9.

Dykes J 2005 Exploring Geovisualization. Elsevier.

Gundekar, H. G., Khodke, U. M, & S. Sarkar. 2008. Evaluation of pan coefficient for reference crop evapotranspiration for semi-arid region. Irrigation Science. (26)169–175.

H., Wmo . 2014. Statement of guidance for hydrology and water resources. SoG for Hydrology and Water Resources.

Hossein. A ., K.  Mehrzad, R. K.  Mohammad. R. Mehdi. K.  Mohammad Amin. E. Faezeh and K. Saeedeh. 2012. An investigation of trends in precipitation volume for the lastthree decades in different regions of Fars province, Iran.  Theor Appl Climatol. (109) 361 – 382.

Irmark, A. R., G. Allen and  J. W.  Jones. 2003 . Solar and net radiation_based equations to estimate reference evapotranspiration in humid climates. J. Irrig. Drain .Eng. (5) 336-347.

Lopez-Urrea, R., F. Martín de Santa Olalla, C. Fabeiro and A.  Moratalla. 2006 . Testing evapotranspiration equations using lysimeter observations in a semi-arid climate. Agric Water Management. (85) 15–26.

Paltridge, G. W. and D.  Proctor. 1976 . Monthly mean solar radiation  statistics for Australia. Sol Energy. 235-43.

Schatzmann, J., 2003. Using Self-Organizing Maps to Visualize Clusters and Trends in Multidimensional Datasets. Department of Computing Data Mining Group, Imperial College, London.

Snyder, R. L., M. Orang, S. Matyac, and M. E. Grismer. 2005 . Simplified estimation of reference evapotranspiration from pan evaporation data in California. J Irrigation Drain Engineering. (3) 249– 253.

Vesanto, J. and E.  Alhoniemi. 2000. Clustering of the Self-Organizing Map. IEEE Transactions on Neural Networks. (3) 586-600.

Zotarelli, L., M. D. Dukes, C. C. Romero, K. W. Migliaccio, K.T. Morgan. 2013. Step by Step Calculation of the Penman-Monteith Evapotranspiration (FAO-56 Method). University of Florida (UF). Ae459.