M5 tree model based modeling of evaporation losses in Eleviyan reservoir and comparison with empirical equations

Document Type : Original Article

Authors

1 MSc. Student, Department of Water Engineering, Faculty of Agriculture, University of Tabriz.

2 MSc. Student, Civil Eng, Azad University, Marageh Branch.

Abstract

Evaporation losses from water free surface is one of the important parameter in water resources management. In this study M5 tree model as a one of the data mining approaches has been used to estimate evaporation from Elaviyan reservoir water free surface  in Maragheh. The results showed that M5 tree model has ability to present linear equations for modeling evaporation losses from free surface water with the highest correlation coefficient (0.851) along with lowest root mean square error (1.587 mm). Relations offered by M5 tree method The combination of climate parameters that are available in most empirical relationship has been developed, As model input have been created in scenarios. Also evaporation losses from free surface water estimated by using empirical equations. The results showed that the Meyer empirical equation with the high correlation coefficient (0.820) along with lowest root mean square error (1.962 mm) compared to other empirical methods could be estimate evaporation from free surface water with high accuracy. Comparison of empirical and M5 tree model results showed that both methods but have minimum difference between correlation coefficient also M5 tree model with lowest root mean square error could be present simple, understandable and applicable liner equations to  estimate evaporation from Elaviyan reservoir free surface water in Maragheh.

Keywords

References

  1. 1. زارع ابیانه، 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، جلد 20، شماره 4، ص113-130.

    2. ستاری، م.ت.، ع. رضازاده جودی و ف. نهرین. 1393. پیش‌بینی مقادیر بارش ماهانه با استفاده از شبکه‌های عصبی مصنوعی و مدل درختی M5 (مطالعه موردی: ایستگاه اهر)، پژوهش­های جغرافیای طبیعی، سال 46، شماره 2، ص 247-260.

    3. ستاری، م.ت. و ف. نهرین. 1392. پیش بینی مقادیر حداکثر بارش روزانه با استفاده از سیستم های هوشمند و مقایسه آن با مدل درختیM5 ، مطالعه موردی ایستگاه های اهر و جلفا، فصلنامه علمی پژوهشی مهندسی آبیاری و آب، سال چهارم، شماره چهاردهم، ص 83-98.

    4. ستاری، م.ت.، ف.  نهرین و و. عظیمی. 1392. پیش بینی تبخیر- تعرق مرجع روزانه با استفاده از مدل شبکه عصبی مصنوعی و مدل درختی (مطالعه­ی موردی: ایستگاه بناب)، نشریه آبیاری و زهکشی ایران، جلد 1، شماره 7، ص113-104.

    5. سعادتخواه، ن.، س.ا. سارنگ، م. تجریشی و ا. ابریشمچی. 1380. برآورد تبخیر از مخازن چاه نیمه، آب و فاضلاب، شماره 40، ص32-12.

    6. علیخان‌زاده، ا. 1385. داده کاوی. چاپ اول. نشر علوم رایانه، بابل، 340 ص.

    7. علیزاده، ا. 1388.  اصول  هیدرولوژی کاربردی. چاپ بیست و ششم. نشر دانشگاه امارضا. مشهد، 870 ص.

    8. فلاحی، م.ر.، ه. ورواتی و س. گلیان. 1390. پیش بینی بارش با استفاده از مدل رگرسیون درختی به منظور کنترل سیل. پنجمین کنفرانس سراسری آبخیزداری و مدیریت منابع آب وخاک کرمان.

    9. یزدانی، و.، ب. قهرمان وک. داوری. 1389. تعیین بهترین روش تجربی برآورد تبخیر از سطح آزاد آب در اراضی شالیزاری آمل بر پایه آنالیز حساسیت و مقایسه آن با نتایج شبکه عصبی مصنوعی .مجله پژوهش آب ایران، شماره 7، ص 58-47.

    10. Alberg, D., M. Last, and A. Kindle. 2012. Knowledge discovery in data streams with regression tree methods. Wires Data Mining Knowl Discov 2: 69-78.

    11. Awchi, T.A. 2008. Application of Radial Basis Function Neural Networks for Reference Evapotranspiration Prediction. Al-Rafidain Engineering. Vol.16. 1: 117-129.

    1. 12.  Bhattacharya, B. and  D.P. Solomatine. 2005. Neural networks and M5 model trees in modeling water level–discharge relationship. Neurocomputing 63: 381–396.

    13. Burn, D.H. and  N.M. Hesch. 2007. Trends in evaporation for the Canadian Prairies. J Hydrology 336: 61– 73.

    1. 14.  Ditthakit, P. and C. Chinnarasri. 2012. Estimation of pan coefficient using M5 model tree. Am.J. Environ. Sci., 8 (2): 95-103.
    2. 15.  Ikebuchi, S., M. Seki and A. Ohtoh. 1988. Evaporation from Lake Biwa. J Hydrol., 102: 427-449.
    3. 16.  Irmak, S., D. Haman, J.W. Jones. 2002.  Evaluations of class A pan coefficients for estimating reference evapotranspiration in a humid location. J. Irrig. Drain. Eng. ASCE., 128 (3): 153–159.

    17. Keskin, M.E., O.  Terzi, E.U. Kucuksille. (2009) “Data Mining Process for Integrated Evaporation Model” Journal of Irrigation and Drainage Engineering, 135: 39-43.

    1. 18.  Morton, F.I. 1983. Operational estimates of aerial evapotranspiration and their significance to the science and practice of hydrology. J Hydrology. 66.: 1-76.

    19. Pal, M. 2006. M5 model tree for land cover classification. International Journal of Remote Sensing., 27(4), 20: 825-831.

    1. 20.  Piri, J., S. Amin, A.  Moghaddamnia, A. Keshavarz, D. Han and R. Remesan. (2009). ”Daily Pan Evaporation Modeling in a Hot and Dry Climate.” J. Hydrol. Eng., 14(8): 803–811.

    21. Quinlan, J .R. 1992. Learning with continuous classes. In proceedings AI, 92 (Adams & Sterling, Eds): 343-348.  Singapore: World Scientific.

    22. Sattari, M. T., M.  Pal, H. Apaydin, F.  Ozturk. 2013 a. M5 Model Tree Application in Daily River Flow Forecasting in Sohu Stream, Turkey.Water resources and the regime of water bodies., 40(3): 233–242.

    23. Sattari, M.T., M. Pal, K. Yürekli, A. Ünlükara. 2013 b. M5 model trees and neural network based modelling of ET0 in Ankara, Turkey. Turkish. J. Eng. Env .Sci., doi: 10.3906/muh-1212-5: 1-9.

    24. Sene, K.J., J.H.C. Gash and  D.D. McNeil. 1991. Evaporation from tropical lake: comparison of theory with direct measurements. J Hydrology. 127: 193-217.

    25. Solomatine, D .P and Y. Xue. 2004.  M5 model trees compared to neural networks: application to flood forecasting in the upper reach of the Huai River in China. Journal of Hydrologic Engineering. 9(6): 491–501.

    26. Vanzyl, W.H.,  J.M. Jager and  C.G. Maree. 1989. The relationship between daylight evaporation from short vegetation and the USWB Class A pan. Agricultural and Forest Meteorology. 46: 107-118.

Irrigation and Water Engineering
Volume 5, Issue 1 - Serial Number 17
December 2014
Pages 107-121

Files

Share

How to cite

Statistics