ارزیابی مدل‌های تجربی و هوشمند در تخمین تبخیر و تعرق مرجع در شرایط حداقل داده اقلیمی؛ مطالعه موردی شهر کرد

نوع مقاله: مقاله پژوهشی

نویسندگان

1 کارشناسی ارشد آبیاری و زهکشی، گروه مهندسی آب، دانشگاه اراک، ایران

2 دانشکده کشاورزی، گروه مهندسی آب، دانشگاه اراک، اراک،

3 دانشکده کشاورزی گروه علوم دامی، دانشگاه اراک، اراک

چکیده

امروزه منابع آب به شدت تحت تاثیر چرخه­ی هیدرولوژیکی هستند و برآورد تبخیر و تعرق که جزء اصلی از چرخه­ی هیدرولوژیکی است، در مدیریت منابع آب نقش بسزایی دارد. این پدیده، غیرخطی و از این لحاظ که پارامترهای بسیاری در برآورد آن دخیل هستند، کاری بسیار مشکل است. روش­های زیادی برای برآورد تبخیر و تعرق وجود دارد که هر کدام با مشکلی مواجه می­باشند. بعضی از این روش­ها مثل لایسیمتر هزینه­بر و زمانبر می­باشند و برخی دیگر مثل روش­های تجربی اعتبار محلی دارند. استفاده از روشی که بتواند با توجه به ماهیت و استفاده­ی حداقل از داده­های اقلیمی تبخیر و تعرق را مدل کند، ضروری به نظر می­رسد. امروزه شبکه­های عصبی که شاخه­ای از هوش محاسباتی می­باشند، در علوم مختلف مورد استفاده قرار می­گیرند. در این تحقیق از داده­های روزانه­ی دو ایستگاه فرخشهر و فرودگاه شهرکرد در بازه­ی زمانی 2013- 2004 شامل دمای حداقل، دمای حداکثر، رطوبت نسبی میانگین، ساعات آفتابی و سرعت باد در ارتفاع دو متری تحت سناریوهای مختلف استفاده شد. ابتدا به محاسبه­ی چند روش تجربی در برآورد تبخیر و تعرق مرجع پرداخته شد. روش­های تجربی مورد استفاده این تحقیق هارگریوز، بلانی کریدل، پریستلی تیلور و جنسن هیز بودند. مدل شبکه­ی عصبی مصنوعی تحت سناریوهای مختلف داده­ی ورودی به کمک نرم‌افزار (R2012b) MATLABطراحی گردید. در این قسمت با انجام تست­های مختلف با توجه به حساسیت و میزان دقت مورد انتظار از دو تابع تانژانت سیگموئید و لوگ سیگموئید در لایه پنهان، تابع خطی در لایه خروجی و قاعده­ی آموزش لونبرگ مارکوات استفاده شد. برای ارزیابی مدل­ها از مدل پنمن مونتیث فائو 56 استفاده شد. شاخص­های آماری    RMSE وMAE  و  Rمحاسبه گردید. نتایج نشان داد که از بین ده سناریوی مورد بررسی، سناریوی یک با هر پنج متغیر ورودی، کمترین خطا را نسبت به روش فائو 56 و عملکرد بسیار بهتری نسبت به روش­های تجربی داشت. از بین روش­های تجربی نیز مدل پریستلی تیلور و هارگریوز عملکرد بهتری داشتند. همچنین نتایج آنالیز حساسیت نشان داد که دمای ماکزیمم و سرعت باد بیشترین تاثیر را بر تبخیر و تعرق مرجع در این منطقه داشتند.                

کلیدواژه‌ها


عنوان مقاله [English]

Empirical and intelligence Models Evaluation in Estimation of Reference Evapotranspiration by Minimum Climate Data; case study shahrekord

نویسندگان [English]

  • Seyed MohammadReza Hosseini 1
  • Naser Ganji Khorramdel 2
  • Amir Hossein Kheltabadi Farahani 3
1 MSc. Student, Department of Water Engineering, Faculty of Agriculture, Arak University
2 Assistant Professor ,Department of Water Engineering, Faculty of Agriculture, Arak University
3 Assistant Professor ,Department of Animal Science, Faculty of Agriculture, Arak University
چکیده [English]

 
Abstract
The water resources are severely affected by hydrological cycle.Estimation of evapotranspiration which is the main component of the hydrological cycle plays an important role in water resources management. This phenomenon is non-linear and many factors affect on that and its estimation is very difficult. Various methods have been employed to estimate evapotranspiration although they have some limitations or problems. Some of these methods are costly and time-consuming such as lysimeters, and other empirical methods have local authority. Accordingly, applying a method that can be able to model the evapotranspiration regard to the nature of the gathered data and usage of minimum climate parameters is necessary. Nowadays, Artificial Neural Network (ANN) as a novel intelligent method are used in various sciences. In this study, the daily data of two climatological stations, namely Farokhshahr and Shahrekord airport in the interval of 2004-2013 including minimum temperature, maximum temperature, average relative humidity, sunshine, and wind speed at the height of two meters under different scenarios were utilized. Initially, empirical methods of reference evapotranspiration were approximated.The used empirical methods in this research have been Hargreaves, Blany Criddle, Priestley Taylor, and Jensen Hayes. The ANN model has been designed based on different scenarios of input data through MATLAB (R2012 b) Software. In this step, different ANN architectures were evaluated based on sensitivity and accuracy So, threshold functions such as tangent sigmoid and log sigmoid in hidden layers, linear function output layer were tested in topology where as Levenberg Marquardt employed as learning function.To evaluate the models, Penman Monteis FAO 56 model was employed.The statistical indexes, namely RMSE, MAE and R were calculated. Ten scenarios have been examined, and the results demonstrated that  Scenario one with five parameters had the lowest error in comparision to FAO 56 technique. Furthermore, the perposed model show superior performance than empirical methods. However, between the empirical methods, Priestley Taylor and Hargreaves had better performance. On the other hand, the sensitivity analysis illustrated that the maximum temperature and wind speed had the greatest influence on reference evapotranspiration in these regions.

کلیدواژه‌ها [English]

  • Artificilal Neural Network (ANN)
  • cold-Arid Region
  • Empirical Methods
  • MATLAB
  • Reference Evapotranspiration

منابع

احمدزاده قره گویز، م. میرلطیفی، ک. محمدی. 1389. مقایسه­ی سیستم­های هوش مصنوعی (ANN وANFIS  ) در تخمین میزان تبخیر- تعرق مرجع در مناطق بسیار خشک ایران، نشریه آب وخاک. جلد 24. شماره­ی 4. ص 689-679.

دهقانی، ا. ا.، م. پیری، م. حسام، ن. دهقانی. 1389. تخمین تبخیر روزانه از تشت تبخیر با استفاده از سه شبکه عصبی پرسپترون چندلایه، تابع پایه شعاعی و المانی. مجله پژوهش­های حفاظت آب و خاک، جلد 17، شماره 2، ص67-49.

سلطانی، ا.، م. میرلطیفی، ح. دهقانی سانیج. 1391. برآورد تبخیر و تعرق با استفاده از داده­های محدود هواشناسی در شرایط اقلیمی مختلف. نشریه آب و خاک. جلد 26، شماره 1. ص 139- 149.

شایان نژاد، م. 1385. مقایسه دقت روشهای شبکه­های عصبی مصنوعی و پنمن-مانتیس در محاسبه تبخیر و تعرق پتانسیل. همایش ملی مدیریت شبکه­های آبیاری و زهکشی. دانشگاه شهید چمران اهواز.

شایان نژاد، م.، ح. ساداتی نژاد. 1387. تخمین تبخیر و تعرق پتانسیل روزانه گیاه مرجع چمن با استفاده از شبکه عصبی مصنوعی. مجله­ی علمی پژوهشی مرتع، سال 2، شماره­ی 2. ص 194- 182.

صیادی، ح.، ا. اولاد غفاری، ا. فعالیان، ع. صدرالدینی. 1388. مقایسه­ی برآورد شبکه های MLP و RBF در برآورد تبخیر و تعرق مرجع. مجله­ی دانش آب و خاک. جلد 19، شماره­ی 1. ص 12- 1.

علیزاده، ا. 1383. رابطه­ی آب و خاک وگیاه. مشهد، دانشگاه امام رضا. ویرایش3.

منهاج، م. ب. 1381. مبانی شبکه­های عصبی و هوش محاسباتی، جلد اول، انتشارات دانشگاه صنعتی امیر کبیر، تهران.

نوری، س.، غ. فلاحقالهری،  ح. ثنایی نژاد. 1392. مدل سازی تبخیر- تعرق گیاه پتانسیل با استفاده از شبکه عصبی مصنوعی با حداقل متغیرهای اقلیمی در ایستگاه سینوپتیک مشهد. نشریه پژوهش­های حفاظت آب و خاک، جلد 20، شماره 5. ص 178-163.

هژبر، ح.، ه. معاضد،  س. شکری کوچک. 1393. برآورد تبخیر و تعرق مرجع با استفاده از مدل­های تجربی ،مدلسازی آن با شبکه عصبی مصنوعی و مقایسه با داده­های لایسیمتری در ایستگاه کهریزک ارومیه. فصلنامه علمی و پژوهشی مهندسی آبیاری و آب. سال 4. شماره­ی 16. ص 13-25.

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 56.

Benediktsson, J. A., P. H., Swain and O. K. Erosy. 1990. Neural network approaches versus statistical methods in classification of multisource remote Sensing data. IEEE Transaction on Geosciences and Remote Sensing, 28(4): 540-551.

Chow, V. T., D. R., Maidment, and L.W., Mays, 1988. Applied Hydrology, illustrate. ed.Mcgraw-Hill Higher Education, New York, NY.

Civco, D. L., and Y. Wanug. 1994. Classification of multispectral, multitemporal, multisource Spatial data using artificial neural networks, Congress on Surveying and Mapping. USA.

Falamarzi,Y. N. palizdan, Y. feng Hung and T. shui lee. 2014. Estimating evapotranspiration from temperature and wind speeddata using artificial and wavelet neural networks (WNNs). Agricultural Water Management 140 : 26–36

Hargreaves, G. H. and Z. A., Samani. 1985. Reference crop evapotranspiration from temperature. Transaction of ASAE 1(2):96-99.

Huo Z . S .  Feng Kang and X . Dai.  2012. Artificial neural network models for reference evapotranspiration in an arid area of northwest China. Journal of Arid Environments 82 : 81-90.

Jain S. K, P. C, Nayak, K. P, Sudhir. 2008. Models for estimating  evapotranspiration using artificial neural networks, and their physical interpretation. Hydrol Process 22(13):2225–2234

Kisi, O. 2008. River flow forecasting and estimation using different artificial neural network techniques, Hydrol. Res. 39: 1. 27-40.

Kumar, M., A., Bandyopadhyay, N. S.,Raghuwanshi, R., Singh. 2008. Comparativestudy of conventional and artificial neural network-based ETo estimation mod-els. Irrig. Sci. 26, 531–545.

Kumar,M., N. S. , Raghuwanshi, R, Singh. 2011. Artificial neural networks approach in evapotranspiration modeling: a review. Irrig Sci 29:11–25.

Ladlani, I., L., Houichi, L., Djemili, S., Heddam and K., Belouz, 2012. Modeling dailyreference evapotranspiration (ET0) in the north of Algeria using generalizedregression neural networks (GRNN) and radial basis function neural networks(RBFNN): a comparative study. Meteorol. Atmos. Phys. 118, 163–178.

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.

Penman, H. L. 1948. Natural evaporation from open water, bare soil and grass. Proc.R. Soc. London, Ser. A Math. Phys. Sci. 193, 120–145.

Rahimi Khoob, A. 2008. Artificial neural network estimation of reference evapotranspiration from pan evaporation in a semi-arid environment. Irrig. Sci. 27,35–39

Wang, Y. M, S. Traore, and T. Kerh. 2008. Neural network approach for estimating reference evapotranspiration from limited climatic data in Burkina Faso. WSEAS Transactions on Computers. 7: 704-713.