مدلسازی تبخیر ماهانه با استفاده از روش‏های منفرد و هیبریدی-موجک داده‏کاوی در حوضه‏های آبریز ایران با تنوع اقلیمی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه مهندسی آب، دانشگاه علوم کشاورزی و منابع طبیعی ساری

2 پژوهشگر پسا دکتری، گروه مهندسی آبیاری و آبادانی پردیس کشاورزی و منابع طبیعی کرج، دانشگاه تهران

3 دانشجوی دوره دکتری مهندسی منابع آب، گروه مهندسی آبیاری و آبادانی پردیس کشاورزی و منابع طبیعی کرج، دانشگاه تهران

4 پژوهشگر پسا دکتری، دانشگاه مینه ستو آمریکا

چکیده

تبخیر به ‌عنوان یکی از پارامترهای طبیعی، همواره مورد توجه محققین بوده است. در این پژوهش، متغیر تبخیر ماهانه با استفاده از روش‏های شبکه عصبی مصنوعی، سامانه استنتاجی فازی-عصبی تطبیقی و برنامه‏ریزی بیان ژن و ترکیب روش‏های مذکور با تئوری موجک، در دو اقلیم متفاوت ایران مدلسازی شد. بدین منظور، داده‏های هواشناسی بارش، رطوبت نسبی، دمای میانگین، دمای بیشینه، دمای کمینه و سرعت باد، در طول دوره آماری 1397-1384 مربوط به دو حوضه آبریز دریاچه ارومیه و گاوخونی به کار گرفته شد. در این مطالعه، اثر فصلی و نویززدایی داده‏ها اعمال شد. دقت روش‏های مورد مطالعه بر اساس شاخص‏های آماری ضریب همبستگی (R)، ریشه میانگین مربعات خطا (RMSE)، میانگین خطای مطلق (MAE) و ضریب کارایی نش-ساتکلیف (NSE) مورد بررسی قرار گرفت. نتایج حاکی از این است که در دو اقلیم مختلف روش‏های هیبرید موجک برنامه‏ریزی بیان ژن و شبکه عصبی مصنوعی منفرد به ترتیب دارای بالاترین و ضعیف‏ترین عملکرد در میان سایر مدل‏های داده کاوی به کار رفته در این تحقیق هستند. مدل هیبریدی موجک-برنامه‏ریزی بیان ژن با مقدار RMSE  برابر با 870/20 و 884/156 میلی‏متر به ترتیب برای ایستگاه‏های تازه‏کند در حوضه آبریز دریاچه ارومیه و کوهپایه در حوضه آبریز گاوخونی عملکرد بالاتری را داشته است. همچنین، نتایج نشان داد که تاًثیر به کارگیری ضریب فصلی و نویززدایی داده‏ها در ارتقاء عملکرد مدل‏ها قابل توجه است. بر اساس نتایج، عملکرد مدل‏ها در حوضه آبریز دریاچه ارومیه با اقلیم Dsa بهتر بوده است. همچنین، روش‏های داده‏کاوی هیبریدی را می‏توان به عنوان جایگزین مناسبی برای روش‏های قدیمی معرفی نمود.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Modeling Of Monthly Evaporation Using Single and Hybrid-Wavelet Data-Driven Methods in Basins of Iran with Climate Variety

نویسندگان [English]

  • Ali reza Emadi 1
  • Sarvin Zamanzad-Ghavidel 2
  • Soheila Zareie 3
  • Ali Rashid-Niaghi 4
1 Department of water engineering, Sari agricultural sciences and natural resources university.
2 Postdoctoral Researcher, Department of Irrigation & Reclamation Engineering, Faculty of Agriculture Engineering & Technology, University of Tehran, Karaj
3 Ph.D student, Department of Irrigation & Reclamation Engineering, Faculty of Agriculture Engineering & Technology, College of Agriculture & Natural Resources, University of Tehran.
4 Postdoctoral Researcher, University of Minnesota, United States
چکیده [English]

Evaporation as one of the natural parameters has always been considered by researchers. In this study, the monthly evaporation variable was modeled in two different climates of Iran using artificial neural network, adaptive fuzzy-neural inference system and gene expression programming methods and combining these methods with wavelet theory. For this purpose, meteorological data of precipitation, relative humidity, average temperature, maximum temperature, minimum temperature and wind speed were used during the statistical period of 1384-1397 related to the two catchments of Urmia Lake and Gavkhouni. In this study, the seasonal effect and data noise reduction were applied. The accuracy of the studied methods was evaluated based on statistical correlation coefficient (R), root mean square error (RMSE), mean absolute error (MAE) and nash-sutcliffe efficiency (NSE). The results show that in two different climates, the wavelet-hybrid gene expression programming and the single artificial neural network have the highest and weakest performance, respectively, among other data mining models used in this study. The hybrid wavelet-gene expression programming model with RMSE value of 20.870 and 156.884 had higher performance for Tazehkand station in Urmia Lake catchment area and Kuhpayeh catchment in Gavkhouni catchment area, respectively. Also, the results showed that the effect of seasonal factor utilization and data noise reduction in model performance improvement is significant. Based on the results of the models performance Urmia Lake catchment area with Dsa climate has been better. However, hybrid data mining methods can be introduced as a good alternative to the old methods.

کلیدواژه‌ها [English]

  • Climate
  • Evaporation
  • Data mining
  • Wavelet
صمدیان‏فر، س.، س. هاشمی و م. ایزدیار. 1397. برآورد تبخیر روزانه از تشت تبخیر با استفاده از روش‏های یادگیری ماشینی. نشریه آبیاری و زهکشی ایران. شماره 4، جلد 12، ص 1015-1004.
Adnan, R. M., A. Malik, A. Kumar, K. S. Parmar and O. Kisi. 2019. Pan evaporation modeling by three different neurofuzzy intelligent systems using climatic inputs. Arab J Geosci, 12: 606–614.
Aparajita, S., A. R. S. Kumar, R. M. Singh, V. K. Tripathi, A. Thakur and P. Kumar. 2019. Monthly evaporation modelling using ANN and WANN model. Environment and Ecology, 37(3A): 787-793.
Araghi, A., J. Adamowski and C. J. Martinez. 2020. Comparison of wavelet-based hybrid models for the estimation of daily reference evapotranspiration in different climates. Journal of Water and Climate Change, 11(1): 39-53.
Emadi, A., S. Zamanzad-Ghavidel, S. Fazeli, S. Zarei and A. Rashid-Niaghi. 2021. Multivariate modeling of pan evaporation in monthly temporal resolution using a hybrid evolutionary data-driven method (case study: Urmia Lake and Gavkhouni basins). Environ Monit Assess, 193(6):355.
Genanu, M., T. Alamirew, G. Senay and M. Gebremichael. 2017. Remote Sensing Based Estimation of Evapo-Transpiration Using Selected Algorithms: The Case of Wonji Shoa Sugar Cane Estate, Ethiopia. International Journal of Sensors and Sensor Networks, 5(1): 1-13.
Holland, J.H. 1975. Adaptation in Natural and Artificial Systems: An Introductory Analysis with Applications to Biology, Control and Artificial Intelligence. MIT Press, 1992. First Published by University of Michigan Press, USA.
Kucuk, M. and N. Agiralioglu. 2006. Wavelet regression techniques for stream flow predictions, J. Appl. Stat. 33(9), 943–960.
Lopes, HS., and W.R. Weinert. 2004. EGIPSYS: An enhanced gene expression programming approach for symbolic regression problems. Applied Mathematics and Computer Science 14(3): 375-384.
Malik, A., and A. Kumar. 2015. Pan evaporation simulation based on daily meteorological data using soft computing techniques and multiple linear regression. Water resources management, 29(6): 1859-1872.
Malik, A., A. Kumar, S. Kim, M. H. Kashani, V. Karimi, A. Sharafati and K. W. Chau. 2020. Modeling monthly pan evaporation process over the Indian central Himalayas: application of multiple learning artificial intelligence model. Engineering Applications of Computational Fluid Mechanics, 14(1): 323-338.
Montaseri, M., S. Zamanzad-Ghavidel and H. Sanikhani. 2018. Water quality variations in different climates of Iran: toward modeling total dissolved solid using soft computing techniques. Stochastic environmental research and risk assessment, 32(8): 2253-2273.
Patle, G. T., M. Chettri and D. Jhajharia. 2019. Monthly pan evaporation modelling using multiple linear regression and artificial neural network techniques. Water Supply.
Popoola, A.O. 2007. Fuzzy-Wavelet Method for Time Series Analysis. University of Surrey. Department of Computing School of Electronics and Physical Sciences University of Surrey Guildford, Surrey GU2 7XH, UK.
Shiri, J., Ö. Kişi, G. Landeras, J. J. López, A. H. Nazemi and L. C. Stuyt. 2012. Daily reference evapotranspiration modeling by using genetic programming approach in the Basque Country (Northern Spain). Journal of Hydrology, 414: 302-316.
Shirsath, P. B., and A. K. Singh. 2010. A comparative study of daily pan evaporation estimation using ANN, regression and climate based models. Water resources management, 24(8): 1571-1581.
Singh, A., R. M. A. R. Singh, A. Kumar, S. Kumar, Hanwat and V. K. Tripathi. 2019. Evaluation of soft computing and regression-based techniques for the estimation of evaporation. Journal of Water and Climate Change, 12(1): 32-43.
Tabari, H., S. Marofi and A.A. Savziparvar. 2010. Estimation of daily pan evaporation using artificial neural networks and multivariate non-linear regression. Irrigation Science, 28: 399-406.
Tamta, S., P. S. Kashyap and P. Kumar. 2018. Estimation of Evaporation in Hilly Area by Using Ann and Canfis System Based Models. Int. J. Curr. Microbiol. App. Sci, 7(1), 911-919.
Traore, S., and A. Guven. 2012. Regional-specific numerical models of evapotranspiration using gene-expression programming interface in Sahel. Water resources management, 26(15): 4367-4380.
Zareie, S., and A. Fakherifard. 2014. Assessment of temporal relationship between meteorological and hydrological droughts by GP and ANFIS models in Sofi-Chi basin. Water Resources Engineering Journal, 7(21): 37-50
.