ارزيابي كارآيي دو نرم افزار شبكه عصبي مصنوعي در پيش بيني تبخير- تعرق گياه مرجع

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

در اين تحقيق، كارايي دو نرم افزار شبكه عصبي مصنوعي (ANN) در برآورد تبخير-تعرق گياه مرجع (ET0) بررسي گرديد. بدين منظور از داده هاي 2 سال لايسيمتري به عنوان ارقام شاهد براي ارزيابي استفاده شده و دو نرم افزار مرسوم NS وNW با قابليت به كارگيري آلگوريتم هاي متفاوت، به كار رفت. جهت ارزيابي اجراي دو نرم افزار براي آرايش ها، قواعد يادگيري و توابع محرك مختلف، از شاخص هاي آماري جذر ميانگين مربعات خطا (RMSE)، ميانگين خطاي مطلق (MAE) و ضريب تعيين (R2) استفاده شد. با اجراي نرم افزار NS آرايش مطلوب با ويژگي حداقل RMSE، MAE و حداكثر R2 در مقايسه با ارقام مشاهداتي (لايسيمتري) به ترتيب معادل 08/0 (ميلي متر در روز)، 07/0 (ميلي متر در روز) و 87/0 بدست آمد. نتايج تحقيق نشان داد نرم افزار NS با آرايش مطلوب كه ويژگي مدل آموزشي گراديان مزدوج و تابع محرك سيگموييد را دارا باشد، نسبت به نرم افزار NW با توجه به تعداد تكرار كمتر و زمان محاسباتي كوتاه تر برتري دارد. نتايج نشان داد وجود دو لايه پنهان نسبت به يك لايه پنهان بر دقت تبخير-تعرق برآورد شده از نرم افزار، تاثيري نداشت. بررسي حساسيت مدل شبكه عصبي مصنوعي نشان داد كه تبخير- تعرق بيشترين وابستگي را به حداكثر دماي هوا و كمترين وابستگي را به حداقل رطوبت نسبي دارد.

In this study, the performance of two different artificial neural network softwareʹs 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).