Modeling and Estimating Daily Reference Evapotranspiration Using Soft Computing Models (Case Study: Aligudarz Station)

Document Type : Original Article

Authors

1 Water Engineering Department, Master's degree in irrigation and drainage, Lorestan University, Khorramabad, Iran

2 Assistant Professor, Department of Hydraulic Structures, Faculty of Water and Environmental Engineering, Shahid Chamran University of Ahvaz, Ahvaz, Iran

3 water department, Faculty of Agriculture, Lorestan university, Khoramabad, Iran

10.22125/iwe.2023.173301

Abstract

Calculation and estimation of evapotranspiration is one of the most important parameters of water management in agricultural engineering projects. The aim of this study was to evaluate the models of gene expression programming (GEP), group method of data handling (GMDH), and Multivariate adaptive regression spline (MARS) to estimating daily reference evapotranspiration. For this purpose, daily data recorded during the last 25-year period (1993-2017) of Aligudarz region (located in the east of Lorestan province) were used. 80% of the data were used for training and the remaining 20% for testing the models. The modeling results showed that only with the maximum temperature and average wind speed can evapotranspiration be estimated with very good accuracy. The error indices of GEP model in testing stage are , the error indices of MARS and GMDH models are .  Comparing the performance of the models showed that the March model performed better than the other models.

Keywords

Main Subjects

References

آزادطلاتپه، ن.، بهمنش، ج.، منتصری، م. و رضاوردی­نژاد، و. 1394. مقایسه روش­های سری زمانی و شبکه عصبی مصنوعی در ‏پیش­بینی تبخیر-تعرق مرجع (مطالعه موردی: ارومیه). علوم و مهندسی آبیاری (مجله علمی-پژوهشی)، جلد 38، ‏شماره 4 زمستان 94.‏
حسینی، س.م.ر.، گنجی­خرم‌دل، ن و خلت‌آبادی فراهانی، ا.ح. 1394. ارزیابی و آنالیز حساسیت روش­های مختلف تخمین تبخیر و تعرق مرجع روزانه در یک اقلیم سرد. نشریه پژوهش­های کاربردی علوم آب، سال اول، شماره دوم، زمستان 1394، صفحات 29-40.‏
سبزواری، ی.، نصرالهی، ع.ح.، شریفی­پور، م. و شاهی­نژاد، ب. 1399. کاربرد رگرسیون چندمتغیره و برنامه­ریزی بیان ژن در برآورد تبخیر و تعرق. نشریه علوم و مهندسی آبیاری، مرداد 1399. شناسه دیجیتال (DOI): 10.22055/JISE.2020.31583.1890
سیفی، ا.، میرلطیفی، س.م. و ریاحی، ح. 1389. توسعه مدل ترکیبی رگرسیون چندگانه-تحلیل مؤلفه‌ها و عامل­های اصلی (MLR-PCA) در پیش­بینی تبخیر-تعرق مرجع (مطالعه موردی: ایستگاه کرمان). نشریه آب‌وخاک، جلد 24، شماره 6، صفحات 1186-1196.
فیض­اله­پور، ف. دلاور، م. و حسامی افشار، م. 1396. ارزیابی و تحلیل عدم قطعیت برآورد تبخیر-تعرق گیاه مرجع با استفاده از برنامه‌ریزی ژنتیک. نشریه دانش آب‌وخاک، جلد 27، شماره 4، 147-135.
کرباسی، م. 1395. پیش­بینی تبخیر-تعرق مرجع ایستگاه سینوپتیک اهواز با استفاده از مدل ترکیبی موجک-شبکه عصبی GMDH. نشریه پژوهش­های حفاظت آب و خاک، جلد بیست و سوم، شماره چهارم، 1395.
کولائیان، ع.، غلامی سفیدکوهی، م.ع. و ضیاتباراحمدی، م.خ. 1392. ارزیابی روش­های نوین محاسباتی در برآورد تبخیر و تعرق روزانه (مطالعه موردی دشت ناز ساری). دوازدهمین همایش ملی آبیاری و کاهش تبخیر. دانشگاه شهید باهنر کرمان، کرمان، 5 و 6 شهریور.
Allen, R.G., Pereira, L.S., Raes, D. and Smith, M. 1998. Crop evapotranspiration-Guidelines for computing crop ‎‎water requirements-FAO Irrigation and drainage paper 56. FAO, Rome, 300(9), D05109.‎
Berti, A., Tardivo, G., Chiaudani, A., Rech, F. and Borin, M. 2014. Assessing reference Evapotranspiration by the Hargreaves method in north-eastern Italy. Agric. Water Manage. 140: 20-25.
Djaman, K.B., Balde, A., Sow, A., Muller, B., Irmak, S.K., N’Diaye, M., Manneh, B.D., Moukoumbi, Y., Futakuchi, K. and Saito, K. 2015. Evaluation of sixteen reference Evapotranspiration methods under sahelian conditions in the Senegal River Valley. J. Hydrol. Region. Stud. 3: 139-159.
  Ferreira, C. 2001. Gene Expression Programming: A New Adaptive Algorithm for Solving Problems, Complex Systems, 13 (2), 87-129.
Kisi, O. 2009. Modeling monthly evaporation using two different neural computing techniques. Irrigation ‎Science, 27:417–430.‎
Kisi, O. and Alizamir, M. 2018. Modelling reference evapotranspiration using a new wavelet ‎conjunction heuristic ‎method: Wavelet extreme learning machine vs wavelet neural networks. ‎Agricultural and Forest ‎Meteorology 263 (2018) 41–48.‎
Ladlani, I., Hauichi, L., Dhemili, L., Heddem, S. and Blouze, K.H. 2012. Estimation of daily refrence ‎evapotranspiration in the north of Algeria using adaptive neuro-Fuzzy inference system (ANFIS) and ‎multiple linear regression Models: a comparative study. Arabian Journal for Science and Engineering, 39: ‎‎5959-5969.‎
Lima, A.R., Cannon, A.J. and Hsieh, W.W. 2015. Nonlinear regression in environmental sciences using extreme learning ‎machines: a comparative evaluation. Environal ModelSoftware. 73, 175–188.‎
Liu, X., Xu, C., Zhong, X., Li, Y., Yuan, X. and Cao, J. 2017. Comparison of 16 models for reference crop Evapotranspiration against weighing Lysimeter measurement. J. Agric. Water Manage. 184: 145-155.
Mallik, A.P., Jyothy, S.A. and Sekhar Reddy, K.C. 2013. Daily reference evapotranspiration estimation using linear ‎regression and Ann models. The Institution of Engineers (India), 93(4):215–221.‎
Niaghi, A.R., Majnooni-Heris, A., Haghi, D.Z. and Mahtabi, G., 2013. Evaluate several potential Evapotranspiration methods for regional Use in Tabriz, Iran. J. Appl. Environ. Biol. 3: 31-41.
Tabari, H., Grismer, M.E. and Trajkovic, S. 2013. Comparative analysis of 31 reference Evapotranspiration methods under humid conditions. Irrig. Sci. 31: 107-117.
   Trajkovic, S. 2007. Hargreaves versus Penman-Monteith under humid conditions. J. Irrig. Drain. Eng. 133: 38-47.
Yassin, M.A. Alazba, A. A. and Mattar, M.A. 2016. Artificial neural networks versus gene expression ‎programming for estimating reference evapotranspiration in arid climate. Agricultural Water Management, ‎‎163, 110-124.‎

Files

Share

How to cite

Statistics