چکیده
تبخیر یک مرجع مهم برای مدیران منابع آب است. این مطالعه یک مدل هیبریدی را که ترکیبی از شبکه های عصبی مصنوعی پیچیده (BPNN) است.
فرآیند تبخیر و تعرق به عنوان یکی از مؤلفههای اصلی چرخه هیدرولوژیک دارای اهمیت فراوانی در مدیریت و توسعه منابع آب و نیز برنامهریزی آبیاری میباشد. در مطالعه حاضر به بررسی قابلیت سیستم استنتاج عصبی– فازی تطبیقی در بهبود تخمین میزان تبخیر و تعرق روزانه گیاه مرجع (ETo) پرداخته شد.
تبخیر فاکتور مهمی است که روی منابع آب تاثیر می گذارد. یک ارزیابی دقیق از تبخیر وابسته به مدیریت کشاورزی، توازن آب و زنجیره آب و منابع زمینی است. تقابل پیچیده بین زمین و سیستم های اتمسفری از ارزیابی های مثبت و دقیق و موثر در این زمینه جلوگیری می کند.
براساس مقایسه، شبکه MLP بهتر از شبکه های المان و RBNN عمل می کند. پس در مرحله بعدی حساسیت آنالیز توسط متدهای PaD و مقیاسی در رابطه با خروجی های MLP مورد پردازش و اجرا قرار می گیرد.
قوانین ارسال دیدگاه در سایت