| تعداد نشریات | 286 |
| تعداد نشریات سازمان | 84 |
| تعداد شماره‌ها | 3,013 |
| تعداد مقالات | 33,679 |
| تعداد مشاهده مقاله | 44,807,581 |
| تعداد دریافت فایل اصل مقاله | 40,418,051 |
برآورد تبخیر- تعرق مرجع روزانه با بهره‌گیری از راهبرد ترکیب الگوریتم بهینه‌سازی گرادیان نزولی تصادفی با شبکه عصبی مصنوعی | ||
| پژوهش آب در کشاورزی | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 16 تیر 1404 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/jwra.2025.368869.1071 | ||
| نویسندگان | ||
| داود زارع حقی* ؛ شیلا شیرازی1؛ سعید صمدیان فرد2؛ فاطمه میکائیلی3 | ||
| 1کارشناسی ارشد، گروه علوم و مهندسی خاک، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران | ||
| 2دانشیار، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران | ||
| 3دانشجوی دکتری، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران | ||
| چکیده | ||
| تبخیر- تعرق مرجع (ET0) یک پارامتر حیاتی در بخش مدیریت آب کشاورزی بوده و با پیش‌بینی دقیق آن، کشاورزان می‌توانند شیوه‌های آبیاری خود را برای برآوردن نیازهای دقیق محصولات خود تنظیم کنند و از کم‌آبیاری و بیش‌آبیاری اجتناب کنند. در این مطالعه، مدل‌های پرسپترون چندلایه و پرسپترون چندلایه ترکیب شده با الگوریتم گرادیان نزولی تصادفی، برای پیش‌بینی تبخیر- تعرق مرجع روزانه در ایستگاه‌های کیش، گرگان و شیراز بررسی شده است. برای اعتبارسنجی مدل‌های پیشنهادی، داده‌های هواشناسی در مقیاس روزانه در مدت 23 سال (1402-1379) در ایستگاه‌های مذکور مورد استفاده قرار گرفته است که در پنج سناریو مختلف براساس ضریب همبستگی پیرسون به‌کار برده شدند. همچنین مدل‌های منفرد و ترکیبی با استفاده از معیارهای ارزیابی مختلفی مانند ضریب همبستگی، جذر میانگین مربعات خطا، ضریب نش- ساتکلیف و شاخص توافق ویلموت مورد ارزیابی قرار گرفتند. ارزیابی نتایج حاصل از این مطالعه نشان داد که سناریو پنجم مدل ترکیبی با داشتن RMSE برابر با 04/1، 2/1 و 94/1 میلی‌متر در روز به‌ترتیب در ایستگاه‌های شیراز، گرگان و کیش بهترین عملکرد را در پیش‌بینی تبخیر- تعرق مرجع داشته است. همچنین تجزیه و تحلیل نتایج نشان داد که مدل ترکیبی عملکرد بهتری نسبت به مدل منفرد داشته و به‌عنوان مدلی قابل اعتماد شناخته شد. یافته‌های حاصل از این تحقیق می‌تواند پیامدهای مهمی برای ارزیابی مدل‌های مبتنی بر هوش مصنوعی اعمال شده برای مدیریت مصرف آب کشاورزی و بهره‌گیری پایدار از منابع آبی داشته باشد. | ||
| کلیدواژه‌ها | ||
| پرسپترون چند لایه؛ روش‌های ترکیبی؛ شیراز؛ گرگان؛ کیش | ||
| عنوان مقاله [English] | ||
| Estimation of daily reference evapotranspiration using a strategy combining stochastic gradient descent optimization algorithm with artificial neural network | ||
| نویسندگان [English] | ||
| Shila Shirazi1؛ Saeed Samadianfard2؛ Fatemeh Mikaeili3؛ | ||
| 1MSc, Soil Science Dept., Faculty of Agriculture, University of Tabriz | ||
| 2Assoc. Prof., Water Engineering Dept., Faculty of Agriculture, University of Tabriz | ||
| 3PhD candidate, Water Engineering Dept., Faculty of Agriculture, University of Tabriz | ||
| چکیده [English] | ||
| Reference evapotranspiration (ET₀) is a crucial parameter in agricultural water management. Accurate prediction of ET₀ enables farmers to optimize irrigation practices, thereby preventing both under- and over-irrigation. In this study, two modeling approaches were investigated for predicting daily ET₀ at the Kish, Gorgan, and Shiraz meteorological stations: (1) a standard multilayer perceptron (MLP) model, and (2) an MLP model optimized using the stochastic gradient descent (SGD) algorithm. A dataset comprising 23 years (2000–2023; 1379–1402 in the Iranian calendar) of daily meteorological data was used to develop and validate the models under five different input scenarios, selected based on Pearson correlation analysis. Model performance was evaluated using multiple statistical metrics, including the correlation coefficient (R), root mean square error (RMSE), Nash–Sutcliffe efficiency (NSE), and the Willmott agreement index (d). Among the tested configurations, the fifth scenario of the combined MLP-SGD model showed the highest accuracy, achieving RMSE values of 1.04 mm/day, 1.20 mm/day, and 1.94 mm/day for the Shiraz, Gorgan, and Kish stations, respectively. The results indicate that the combined MLP-SGD model outperformed the standalone MLP model, demonstrating its reliability and effectiveness in predicting reference evapotranspiration. These findings underscore the potential of hybrid artificial intelligence models in improving water resource management and promoting sustainable agricultural practices. | ||
| کلیدواژه‌ها [English] | ||
| Combined methods, Gorgan, Kish, Multilayer Perceptron, Shiraz | ||
|
آمار تعداد مشاهده مقاله: 2 |
||