برآورد تبخیر و تعرق مرجع با استفاده از مدل‌های تجربی، مدل‌سازی آن با شبکه عصبی مصنوعی و مقایسه آن‌ها با داده‌های لایسیمتری در ایستگاه کهریز ارومیه

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشگاه آزاد اسلامی، واحد بجنورد، باشگاه پژوهشگران جوان و نخبگان، بجنورد، ایران

2 دانشیار گروه محیط زیست دانشکده علوم آب دانشگاه شهید چمران اهواز

3 دانشگاه آزاد اسلامی، واحد شیراز، باشگاه پژوهشگران جوان و نخبگان، ایران

چکیده

یکی از راه‌های کاهش تلفات آب در مزارع، برنامه­ریزی صحیح آبیاری می­باشد و اساس این برنامه­ریزی را برآورد دقیق نیاز آبی گیاهان تشکیل می­دهد که ضریبی از تبخیر و تعرق مرجع است. تبخیر و تعرق مرجع یک پدیده چند متغیره و پیچیده است که به عوامل متعدد اقلیمی بستگی دارد و دقیق­ترین روش­ برای برآورد آن، لایسیمتر است اما استفاده از لایسیمتر، مستلزم وقت و هزینه زیادی است، از این رو تخمین تبخیر و تعرق با استفاده از پارامترهای هواشناسی و به کار بردن مدل­های تجربی انجام می­گیرد. این مدل­ها دارای ضرایبی هستند که معرف شرایط منطقه­ای است که مدل در آن منطقه، واسنجی شده است؛ لذا کاربرد این مدل­ها برای هر منطقه، نیاز به بررسی دارد. با توجه به اینکه تبخیر و تعرق، فرآیندی پیچیده و غیرخطی است، لذا استفاده از روش­هایی که بتوانند این پیچیدگی را مدل­سازی نمایند، الزامی به نظر می‌رسد. به این منظور در این تحقیق از شبکه عصبی مصنوعی برای مدل­سازی تبخیر و تعرق استفاده شد و در این راستا از نرم افزار MATLAB کمک گرفته شد. هدف از این تحقیق، ارزیابی شبکه­های عصبی مصنوعی و 11 روش شناخته شده در تخمین تبخیر و تعرق گیاه مرجع برای ایستگاه تحقیقاتی کهریز ارومیه می­باشد. بر اساس داده­های اقلیمی روزانه و داده­های 4 ساله لایسیمتری ایستگاه، مقدار تبخیر و تعرق به روش‌های مذکور محاسبه گردید، نتایج حاصل از محاسبات نشان داد که شبکه عصبی مصنوعی نسبت به تمامی روش­های کلاسیک عملکرد مناسب­تری داشته و دارای RMSE، MAE و R2 به ترتیب برابر با 65/9 (میلی­متر در ده روز)، 53/7 (میلی­متر در ده روز) و 804/0 می‌باشد. همچنین در میان روش­های کلاسیک، مدل تورک با RMSE، MAE و R2 به ترتیب برابر با 69/11 (میلی­متر در ده روز) ، 99/8 (میلی­متر در ده روز) و 719/0 در اولویت قرار دارد و روش­های جنسن- هیس، پنمن- مانتیث- فائو 56 و ... در اولویت­های بعدی قرار دارند

کلیدواژه‌ها


عنوان مقاله [English]

Estimation of Reference Evapotranspiration (ETo) Using Empirical Models, Artificial Neural Network Modeling and Their Comparison with Lysimeter Data in Urmia Kahrizi Station.

نویسندگان [English]

  • Hassan Hozhabr 1
  • Hadi Moazed 2
  • Saeed ShokriKhoochak 3
1 M.A. Irrigation and Drainage Engineering, Young Researchers and Elite Club, Bojnourd Branch, Islamic Azad University, , Iran
2 - Associate Professor, Dep. Of Environment, Shahid Chamran University of
3 - M.A. Water Resources Engineering, Young Researchers and Elite Club, Shiraz Branch, Islamic Azad University, Shiraz, Iran
چکیده [English]

One of methods to reduce water losses in fields is correct programming of irrigation and accurately estimate the crop water requirement form the basis of this programming that is the coefficient of Reference Evapotranspiration. Reference Evapotranspiration is a complex and multivariate phenomenon that depends on climatic factors and most accurate way to estimate it is lysimeter but using Lysimeter requires a lot of time and money, hence the Evapotranspiration estimation is done by meteorological parameters and applying empirical models. These models have the coefficients that each coefficient is representative of regional conditions that equation is calibrated in that area. According to that the evapotranspiration process is complex and nonlinear, therefore using of methods that can this complexity of modeling, it seems necessary. Therefore in this study was used of artificial neural networks for evapotranspiration modeling and in this context of MATLAB software was used. The purpose of this study was to evaluate artificial neural networks and 11 methods known in the estimation of reference crop evapotranspiration for Urmia Kahrizi Research Station. based on daily meteorological data and 4-years data from Lysimeter of the station, Evapotranspiration was calculated to above methods. The results of calculations showed that the Artificial Neural Network has better performance than all the classical methods, it has a RMSE, MAE and R2 respectively is equal to 9.65 (mm/10day) , 7.53 (mm/10day) and 0.804. Also among the classical method, the Turc with the lowest RMSE, MAE and R2 equal to 11.69 (mm/10day) , 8.99 (mm/10day) and 0.719 is a priority. Jensen-Haise, Penman-Monteith-Fao 56 and etc methods has been corrected in the next priorities.

کلیدواژه‌ها [English]

  • evapotranspiration
  • Artificial Neural Networks
  • Urmia Kahrizi
  • Lysimeter
  • Empirical Models
  • MATLAB
1. بیات ­ورکشی، م.، ح. زارع­ابیانه، ص. معروفی، ع. سبزی­پرور و ف. سلطانی. 1388. شبیه­سازی تبخیر و تعرق روزانه گیاه مرجع به روش هوش مصنوعی و روش‌های تجربی در مقایسه با اندازه­گیری­های لایسیمتری در اقلیم نیمه خشک سرد همدان، مجله پژوهش­های حفاظت آب و خاک، جلد 16، شماره 4، ص 79-100.
  1. 2.  رضوی، ر. 1380. گزارش نهایی طرح تعیین تبخیر و تعرق پتانسیل گیاه مرجع با استفاده از لایسیمتر، وزارت جهاد کشاورزی، مرکز تحقیقات کشاورزی آذربایجان غربی، شماره نشریه 409/80، شماره داخلی 73-15/80/102.
3. زارع­ابیانه، ح.، ع. مقدم­نیا، م. بیات ­ورکشی، ع. قاسمی و م. شادمانی. 1389. تغییرات مکانی تبخیر از تشت و مقایسه آن با مدل‌های برآورد تبخیر در ایران، مجله دانش آب و خاک، شماره 4، ص 113-130.
4. عابدی کوپایی، ج.، س.س. اسلامیان و م.ج. امیری. 1387. مقایسه چهار روش تخمین تبخیر و تعرق سطح مرجع با داده­های میکرو لایسیمتری در منطقه اصفهان، دومین همایش ملی مدیریت شبکه‌های آبیاری و زهکشی، اهواز.
5. عدل، ف.، ک. زینال زاده و ب. حبیب زاده. 1387. برآورد تبخیر و تعرق گیاه مرجع با استفاده از روش‌های مختلف (مطالعه موردی ایستگاه سینوپتیک ارومیه)، دومین همایش ملی مدیریت شبکه‌های آبیاری و زهکشی، اهواز.
6. علیزاده، ا. 1385. طراحی سیستم­های آبیاری، جلد اول، انتشارات آستان قدس رضوی، 450 ص.
7. کیا، م. ۱۳۸۹. محاسبات نرم در MATLAB، انتشارات کیان رایانه سبز، 624 ص.
8. منهاج، م.ب. 1381. مبانی شبکه­های عصبی و هوش محاسباتی، جلد اول، انتشارات دانشگاه صنعتی امیر کبیر، تهران، 716ص.
9. مهدوی، م. 1385. هیدرولوژی کاربردی، جلد اول، انتشارات دانشگاه تهران، تهران، 342 ص.
  1. 10.  نعمت پور، ع. 1385. برآورد تأثیر مقاومت‌های آیرودینامیک و تاج گیاه بر عملکرد معادله های فائو پنمن- مانتیث و .ASCE پایان نامه کارشناسی ارشد آبیاری و زهکشی، دانشکده کشاورزی، دانشگاه تربیت مدرس.
 
11. Adineh, V. R., C. Aghanajafi, G.H. Dehghan and S. Jelvani. 2008. Optimization of the operational parameters in a fast axial flow CW CO2 laser using artificial neural networks and genetic algorithms, Optics and Laser Technology, 40: 1000-1007.
12. Allen, R.G., L.S. Pereira, D. Raes and M. Smith. 1998. Crop evapotranspiration (Guidelines for computing crop water requirements). FAO irrigation and drainage Paper No. 56. Food and Agricultural Organization of the United Nations, Rome, 300p.
13. Ardiclioglu, M., O. Kisi and T. Haktanin. 2007. Suspended sediment prediction by using two different feed -forward backpropagation algorithms. Can J. Civil Eng, 34: 1. 1-6.
14. Dehghanisanij, H., T. Yamamoto and V. Rasiah. 2004. Assessment of evapotranspiration estimation models for use in semiarid environments, Agricultural Water Management, 64: 91-106.
15. Doorenbos, J. and W.O. Pruitt. 1977. Crop Water Requirements. Irrigation and Drainage Paper 24, Food and Agriculture Organization of the United Nations: Rome, Italy, 144 pp.
16. Fathi, P. and M. KochakZadeh. 2004. Estimate of greenhouse cucumber transpiration by artificial neural networks. Journal of Soil and Water Science, 18 (2): 213-220.
17. Hargreaves, G.H. and Z.A. Samani. 1985. Reference Crop Evapotranspiration from Temperature. Appl. Eng. Agric., 1 (2): 96-99.
18. Irmak, S., A. Irmak, R.G. Allen and J.W. Jones. 2003. Solar and net radiation based equations to estimate reference evapotranspiration in humid climates, Journal of Irrigation and Drainage Engineering, 129: 336-347.
19. Jensen, M.E., R.D. Burtnan and R.G. Allen. 1990. evapotranspiration and irrigation water requirements, ASCE Manuals and Reports on Engineering Practices, No. 70, ASCE, New York.
20. Khoshtaghaza, M.H., R. Amiri-Chayjan, G. Montazer and S. Minaei. 2007. Prediction of head rice yield in fixed be d drying using artificial neural networks, Agri. Engin. Res., 8 (2): 135-156.
21. Kumar, M., N.S. Raghuwanshi, R. Singh, W.W. Wallender and W.O. Pruitt. 2002. Estimating evapotranspiration using artificial neural network, J. of Irrig. Drain. ASCE, 128 (4): 224-233.
22. Parvaresh Rizi, A., S. Koochak Zadeh and M. Omid. 2006. Estimating moving hydraulic jump parameters by means of ANN and the integration of ANN and GA, Agricultural sciences, 37(1): 187-196.
23. Priestley, C.H.B. and R.J. Taylor. 1972. On the assessment of surface heat and evaporation using large-scale parameters, Monthly Weather Review, 100: 81-92.
24. Samani, Z. 2000. Estimating solar radiation and evapotranspiration using minimum climatological data, Journal of Irrigation and Drainage Engineering, 126: 265-267.
25. Turc, L. 1961. Estimation of irrigation water requirements, potential evapotranspiration: a simple climatic formula evolved up to date, Annals of Agronomy, 12: 13-49.