پیش بینی تبخیر- تعرق پتانسیل ماهانه با استفاده از مدل‌های ماشین بردار پشتیبان، برنامه‌ریزی ژنتیک و سیستم استنتاج عصبی – فازی

نوع مقاله: مقاله پژوهشی

نویسنده

گروه مندسی آب، دانشگاه زابل، زابل، ایران

چکیده

 
چکیده
علی­رغم اهمیت تبخیر-تعرق در برنامه­ریزی و مدیریت منابع آبی، وابستگی آن به مولفه­های اقلیمی از یک­سو و تاثیرپذیری این مولفه­ها از یکدیگر از سویی دیگر تخمین تبخیر-تعرق را دشوار ساخته است. به همین منظور، در این پژوهش، به بررسی امکان پیش­بینی این مولفه­ی مهم در استان سیستان و بلوچستان با استفاده از مدل‌های فراابتکاری از قبیل سیستم استنتاج عصبی – فازی، برنامه ریزی بیان ژن و ماشین بردار پشتیبان پرداخته شد. در این راستا، ابتدا بر اساس رابطه­ی فائو پنمن-مانتیث، میزان تبخیر-تعرق پتانسیل  ماهانه در چهار ایستگاه سینوپتیک زاهدان، زابل، ایرانشهر و چابهار  با استفاده از داده­های هواشناسی ماهانه برای یک دوره 30 ساله محاسبه گردید که این مقادیر به عنوان مرجع برای مقایسه نتایج مدل‌های مورد مطالعه در تحقیق استفاده گردید. در این تحقیق با توجه به تعداد پارامترهای در نظر گرفته شده برای مدلسازی از 5 الگو استفاده شده است . الگوی 1 شامل ورودی های متوسط دمای هوا، ساعات آفتابی و رطوبت نسبی در یک ماه مشخص، الگوی 2 شامل متوسط دمای هوا، رطوبت نسبی و سرعت باد در همان ماه، الگوی 3 شامل متوسط دمای هوا، رطوبت نسبی و سرعت باد در همان ماه، الگوی 4 شامل متوسط دمای هوا، رطوبت نسبی، سرعت باد و  ساعات آفتابی در همان ماه و الگوی 5 شامل متوسط دمای هوا، رطوبت نسبی، سرعت باد و  ساعات آفتابی در همان ماه و یک ماه قبل میباشد. مقایسه­ی نتایج در مدل­های مختلف بر اساس آماره­های ضریب تبیین و جذر میانگین مربعات خطا صورت گرفت. با توجه به نتایج مشاهده می­شود در مدل نروفازی در ایستگاه زاهدان الگوی 2، در ایستگاه زابل و چابهار الگوی 3 و در ایستگاه ایرانشهر الگوی 5  با مقادیر ضریب تبیین به ترتیب 945/0، 982/0، 26/0 و 443/0 از دقت بیشتری برخوردار هستند. همچنین بررسی نتایج در مدل برنامه ریزی بیان ژن نشان‌دهنده این است که در بخش آزمون الگوی 4 از بقیه الگو­ها با ضریب تبیین 974/0، 9811/0، 982/0 و 815/0 در ایستگاه های زاهدان، زابل، ایرانشهر و چابهار دارای دقت بالاتری می­باشد. در مدل ماشین بردار پشتیبان نیز با توجه به مقادیر ضریب تبیین ایستگاه­های زاهدان، زابل، ایرانشهر و چابهار با مقادیر 997/0، 998/0، 998/0 و 979/0 در بخش آزمون در همه ایستگاه­ها  الگوی 5 از دقت بهتری برخوردار می باشد. مقایسه بین 3 مدل  در این تحقیق نیز نشان داد که در همه ایستگاه­ها  مدل ماشین بردار پشتیبان در مرتبه اول و سپس مدل برنامه ریزی بیان ژن و در آخر مدل نروفازی برای تخمین مقادیر تبخیر-تعرق پتانسیل ماهانه قرار دارند

کلیدواژه‌ها


عنوان مقاله [English]

Monthly Forecast of Potential Evapotranspiration Models Using Support Vector Machine (SVM), Genetic programming and Neural - Fuzzy Inference System

نویسنده [English]

  • om m
چکیده [English]

Despite the importance of evapotranspiration in the planning and management of water resources, its dependence on climatic factors on the one hand and influence of each of these components on the other hand has made it difficult to estimate evapotranspiration. Therefore, in this study, attempts to explore the possibility of predicting these important component in Sistan and Baluchestan using meta-heuristic models such as neuro-fuzzy inference system, GEP and SVM.  In this regard, according to the FAO Penman-Monteith equation, the monthly potential evapotranspiration in four synoptic stations- Zahedan, Zabol, Iranshahr, and Chabahar- was calculated using the monthly weather data. These values as a reference to compare the results of the Neuro-fuzzy inference models, genetic programming, and SVM methods were studied. The five models applied in this study were: Model 1 includes input of average air temperature, shiny hours and relative humidity in the same month. Model 2 includes average air temperature, relative humidity, and wind speed in the same month. Model 3 includes average air temperature, relative humidity, and wind speed in the same month. Model 4 includes average air temperature, relative humidity, wind speed, and average shiny hours in the same month, and model 5 includes average air temperature, relative humidity, wind speed, and shiny hours in the same month and the earlier month. The results of different models were compared based on the statistical coefficient of determination and root mean square error. These findings show that in the neuro-fuzzy model, the models 2 (r2= 0.945), 3 (r2= 0.982(, 4(r2= 0.26), and 5 (r2= 0.423), respectively in Zahedan, Zabul and Chabahar, and Iranshahr Chabahar stations own greater accuracy. Analysis of results in the gene- expression planning model also indicates that in the test section, the model no. 4, with the coefficients of 0.974, 0.9811, 0.982, and 0.815, respectively for the stations of Zahedan, Zabol, Iranshahr, and Chabahar, has higher accuracy. Likewise, in the SVM model, due to the coefficients of determination, 0.997, 0.998, 0.998, and 0.979, respectively in the stations of Zahedan, Zabol, Iranshahr, and Chabahar, the model 5 had the highest accuracy. Comparison of 3 models in this study also showed that in all stations, the Support Vector Machine, the programming model of gene expression, and the neuro-fuzzy model were paced in the first, the second, and the third levels of importance for estimating the monthly potential evapotranspiration.

کلیدواژه‌ها [English]

  • Climate Parameters
  • Modeling
  • Penman – Monteith (P-M)
  • Sistan and Baluchistan

بابامیری، ا. و ی. دین پژوه. 1393. مقایسه و واسنجی نه روش تخمین تبخیر- تعرق گیاه مرجع مبتنی بر انتقال جرم در حوضه آبریز دریاچه ارومیه. مجله پژوهش های جفاظت آب و خاک. 153- 135. (5)21.

شایان نژاد، م. 1385. مقایسه روش های شبکه های عصبی مصنوعی و پنمن –مونتیث در محاسبه تبخیر و تعرق پتانسیل. همایش ملی مدیریت شبکه های آبیاری و زهکشی، دانشگاه شهید چمران اهواز.

شادمانی،م و ص. معروفی.1390.مقایسه چند روش برآورد تبخیر روزانه از تشت- مطالعه موردی منطقه کرمان. مجله علوم و فنون کشاورزی و منابع طبیعی، علوم آب و خاک.(15)5.

کولائیان،ع.، م. غلامی سفید کوهی و م. ضیاتباراحمدی.1392. ارزیابی روش های نوین محاسباتی در برآورد تبخیر و تعرق روزانه (مطالعه موردی دشت ناز- ساری). دوازدهمین همایش ملی آبیاری. کاهش تبخیر. دانشگاه شهید باهنرکرمان.

محمدرضاپور،ا.، ا. امینی و ف. کاراندیش. 1394. مدل سازی تبخیر- تعرق پتانسیل ماهانه با استفاده از برنامه ریزی ژنتیک در استان سیستان و بلوچستان. مجله پژوهش های جفاظت آب و خاک. 313- 307. (5)22.

نجفی،م.، و. عظیمی و م. شایان نژاد.1393. ارزیابی دقت روش های هوشمند و آنالیز حساسیت تبخیر –تعرق گیاه مرجع به پارامترهای هواشناسی در دو اقلیم مختلف. اکوهیدرولوژی.24-17(1):1.

یار احمدی. ج. و ع. رحیمی خوب. 1393 . اصلاح معادله هارگریوز با جایگزینی دمای سطح زمین به جای دمای هوا برای برآورد تبخیر و تعرق گیاه مرجع. مجله پژوهش های جفاظت آب و خاک. 54- 239. (6)21.

Aytac, G and T. Seydou. 2012. Regional-Specific Numerical Models of Evapotranspiration Using Gene Expression Programming Interface in Sahel. Water Resources Management (2012) 26: 4367-4380.

Ghorbani, M., J. Shiri and  H. Kazemi. 2010. Estimating Maximum, Minimum and Mean air temperature of Tabriz using artificial intelligence approaches. J of water and soil sciences. 20(1): 88- 104. (in Persian).

Gulay Tezal and Buyukyildiz. 2015. Modeling of daily pan evaportation in subtropical climate ANN, LS-SRV, fuzzy logic, and ANFIS, Thero Appl Climatol. 15. 1392. 

Guo, x., X. Sun and X. Ma. 2011. Prediction of daily crop reference evapotranspiration value through a least- square support vector machine model. Hydrology Reserch. 42(4). 268- 274.

Guven, A. And O. Kişi. 2011. Daily pan evaporation modeling using linear genetic programming technique,29 (2):135-145.

Kisi, O. 2007. Adaptive neurofuzzy computing technique for Evapotranspiration Estimation. Journal of Irrigation and Drainage Engineering. No. 133(4). pp. 368-379.

Koza, J. 1992. Genetic Programming: On the Programming of Computers by Natural Selection. MIT Press, Cambridge, MA.

Remesan, R., M. A. Shamim, and D. Han. 2008. Model data selection using gamma test for daily solar radiation estimation. Hydrological Processes, 22:4301-4309.

Shirsath P.B. and A.K. Singh. 2010. A comparative study of daily pan evaporation estimation using ANN,regression and climate based models. Water Resource Management, 24:1571-1581.

Shiri, j., O. Kişi, G. Landeras, J. López and A.H. Nazemi.2012 .Daily reference evapotranspiration modeling by using genetic programming approach in the Basque Country (Northern Spain).Journal of Hydrology,414:316-302.

Terzi, O. 2013. Daily pan evaporation estimation using gene expression programming and adaptive neural-based fuzzy inference system. Journal  Computing &Applications, Sep 2013, Vol. 23 Issue 3/4, p1035.

Wang, W. C. and W. L. Men. 2008. Online prediction model based on support vector machine. Neurocomputing, 71, 550-558.