مقایسه مدل‌های هوش مصنوعی و مدل‌های تجربی در برآورد تبخیر و تعرق مرجع (مطالعه موردی: ایستگاه سینوپتیک رامهرمز)

نوع مقاله : مطالعه موردی

نویسندگان

1 دانشجوی کارشناسی ارشد/مدیریت منابع آب، گروه مهندسی عمران، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایران

2 استادیار/ گروه علوم و مهندسی آب، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایران

3 دانشیار/ بخش آبیاری و فیزیک خاک، موسسه تحقیقات خاک و آب، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرج، ایران

چکیده

روش‌های بسیاری برای برآورد تبخیر و تعرق وجود دارد که هر کدام محدودیت‌هایی دارند. بعضی از این روش‌ها مثل لایسیمتر، هزینه‌بر و زمان‌بر بوده و برخی دیگر مثل مدل‌های تجربی، اعتبار محلی ندارند. استفاده از روشی که بتواند با توجه به ماهیت پیچیده این پدیده و استفاده حداقل از داده‌های اقلیمی، تبخیر و تعرق را برآورد کند، لازم و ضروری به‌ نظر می‌رسد. هدف از پژوهش حاضر، مقایسه مدل‌های شبکه عصبی مصنوعی (ANN)، شبکه عصبی مصنوعی بهینه شده با الگوریتم ژنتیک (ANN+GA) و مدل‌های تجربی (بلانی‌کریدل، هارگریوز سامانی و آیرماک) در برآورد تبخیر و تعرق مرجع نسبت به نتایج به‌دست آمده از مدل استاندارد پنمن-مانتیث-فائو، با استفاده از داده‌های هواشناسی در ایستگاه سینوپتیک رامهرمز است. بدین‌منظور، متغیرهای هواشناسی ایستگاه سینوپتیک رامهرمز به‌صورت ماهانه طی سال‌های 1390 تا 1397 جمع‌آوری شد. نتایج کلی این پژوهش نشان داد که مدل‌های شبکه عصبی مصنوعی نسبت به مدل‌های تجربی استفاده شده، همبستگی بالاتری به مدل پنمن-مانتیث-فائو دارند. ضمن این‌که در بین مدل‌های شبکه عصبی استفاده شده، مدل شبکه عصبی تلفیقی با الگوریتم ژنتیک نسبت به مدل شبکه عصبی مصنوعی، همبستگی بالاتری به مدل پنمن-مانتیث-فائو دارند. به‌طوری­که مقدار R2 در مدل‌های بلانی کریدل، هارگریوز سامانی، آیرماک، ANN و ANN+GA به‌ترتیب 0.65، 0.819، 0.781، 0.969 و 0.973 به‌دست آمد. نتایج حاصل از به‌کارگیری سناریوهای به‌کار گرفته پارامترهای هواشناسی به‌عنوان ورودی برای مدل‌های ANN و ANN+GA نشان داد، بالاترین دقت برآورد تبخیر و تعرق مرجع در هر دو مدل، مربوط به سناریویی با داده‌های ورودی از قبیل دمای کمینه، دمای بیشینه، سرعت باد در ارتفاع دو متری، رطوبت نسبی کمینه، رطوبت نسبی بیشینه و ساعات آفتابی است و کم‌ترین دقت مدل هم در سناریویی با دو ورودی دمای بیشینه و دمای کمینه بود. در بین مدل‌های تجربی نیز به‌ترتیب مدل هارگریوز سامانی، آیرماک و بلانی‌کریدل بیش‌ترین همبستگی را با روش استاندارد پنمن-مانتیث-فائو داشتند.

کلیدواژه‌ها

موضوعات


براهیمی پاک، ا.، تافته، ا.، اگدرنژاد، ا.، و اسدی کپورچال، ص. (1397). تعیین ضرایب تبخیر تعرق ماهانه گندم زمستانه با استفاده از روش‌های مختلف تخمین تبخیر تعرق و تشت تبخیر در دشت قزوین. مهندسی آبیاری و آب، 32، 105-119.
احمدپری، ه.، صفوی گردینی، م.، و ابراهیمی، م. (1398). انتخاب روش مناسب برآورد تبخیر تعرق مرجع در شرایط کمبود داده‌های هواشناسی (مطالعه موردی شهرستان خرمبید در استان فارس). مدیریت اراضی، 7 (2)، 223-231.
حسینی، م.ر. (1394). مقایسه عملکرد شبکه عصبی مصنوعی و مدل درختی در تخمین تبخیر و تعرق مرجع روزانه با حداقل داده­ اقلیمی (مطالعه موردی: منطقه سرد و خشک شهرکرد). پایان‌نامه کارشناسی ارشد، دانشگاه شهرکرد.
حقیقت‌جو، پ.، محمدزاده شاهرودی، ز.، و محمدرضاپور، ا. (2017). مقایسه روش‌های سیستم استنتاج عصبی-فازی و برنامه‌ریزی بیان‌ ژن در ‌برآورد تبخیر از تشتک (مطالعه موردی: استان خراسان جنوبی). حفاظت منابع آب و خاک، 6(4)، 107-117.‎
حقی­زاده، ع.، یوسفی، ح.، ابراهیمیان، ط.، و یاراحمدی، ی. (1398). مقایسه مدل هیبریدی PSO-ANFIS و مدل تجربی تورک در تخمین تبخیر و تعرق مرجع (مطالعه موردی: پلدختر- لرستان). اکوهیدرولوژی، 6 (3)، 685-694.
رحیم­زادگان، ر. (1370). جستجوی روش مناسب برآورد تبخیر و تعرق در منطقه اصفهان. علوم کشاورزی ایران، 22 (2)، 1-10.
صارمی، م. و فرهادی بانسوله، ب. (1394). تعیین پارامترهای موثر در برآورد تبخیر و تعرق گیاه مرجع با استفاده از شبکه عصبی مصنوعی (مطالعه موردی: استان لرستان). آبیاری و زهکشی ایران، 4(9)، 623-614.
صیادی، ح.، اولاد غفاری، ا.، فعالیان، ا.، و صدرالدینی، ع.ا. (1388). مقایسه عملکرد شبکه‌های عصبی RBF و MLP در برآورد تبخیر و تعرق گیاه مرجع. دانش آب و خاک، 1(19)، 1-12.
صیادی شهرکی، ع.، ناصری، ع.ع.، برومندنسب، س.، و سلطانی‌‌محمدی، ا. (1399). برآورد تبخیر و تعرق با استفاده از مدل‌های تجربی، مدل‌سازی آن با شبکه عصبی مصنوعی و مقایسه آن‌ها با داده‌های لایسیمتری (مطالعه موردی: کشت و صنعت نیشکر سلمان فارسی). نیوار، 44 (111)، 146-156.
قربانی، م.، شکری، س. و برومندنسب، س. (1395). بررسی عملکرد شبکه‌های عصبی در برآورد تبخیر و تعرق گیاه مرجع (مطالعه موردی: ایستگاه سینوپتیک اهواز). اکوبیولوژی تالاب، 8 (28)، 34-23.
کوچک‌زاده، م.، و بهمنی، ع. (1384) .ارزیابی عملکرد شبکه‌های عصبی مصنوعی در کاهش پارامترهای مورد نیاز، جهت برآورد تبخیر و تعرق مرجع. علوم کشاورزی، 11 (4)، 91-101.
نوری، س.، فلاح قالهری، غ.ع.، و ثنایی‌نژاد، ح. (1392). مدل‌سازی تبخیر و تعرق گیاه پتانسیل با استفاده از شبکه عصبی مصنوعی با حداقل متغیرهای اقلیمی در ایستگاه سینوپتیک مشهد. پژوهش‌های حفاظت آب و خاک، 20 (5)، 163-178.
هژبر، ح.، معاضد، ه.، و شکری کوچک، س. (1393). 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. مهندسی آبیاری و آب، 4 (15)، 13-25.
Adineh, V.R., Aghanajafi, C., Dehghan, G.H., & Jelvani, S. (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(8), 1000-1007.
Ahmadpari, H., Safavi Gerdini, M., & Ebrahimi, M. (2019). An appropriate method for estimating potential evapotranspiration in the absence of meteorological data. Journal of Land Management, 7(2), 223-231 (in Persian).
Allen, R.G., Raes, L.S., & Smith, M. (1998). Crop evapotranspiration guidelins for computing crop water requirements. FAO Irrigation and Drainge, NO. 56, FAO, Rome, Italy, 301 pages.
Ardiclioglu, M., Kisi, O., & Haktanin, T. (2007). Suspended sediment prediction by using two,different feed-forward backpropagation algorithms. Canadian Journal of Civil Engineering, 34(1), 120-125.
Citakoglu, H., Cobaner, M., Haktanir, T., & Kisi, O. (2014). Estimation of monthly mean reference evapotranspiration in Turkey. Water Resources Management, 28(1), 99–113.
Dai, X., Shi, H., Li, Y., Ouyang, Z., & Huo, Z. (2009). Artificial neural network models for estimating regional reference evapotranspiration based on climate factors. Hydrological Processes, 23, 442-450.
Dayhoff, J.E. (1990). Neural network principles. Prentice-Hall International, U.S.A.
Dingman, S.L. (1994). Physical Hydrology. Upper Saddle River, N.J. Prentice Hall, 89 pages.
Ebrahimipak, A., Tafteh, A., Egdarnejad, A. & Asadi Kapourchal, S. (2019). Determination of monthly evapotranspiration coefficients of winter wheat by different methods of estimating evapotranspiration and evaporation pan in Qazvin plain. Irrigation and Water Engineering, 32, 105-119 (in Persian).
Ghorbani, M., Shokri S., & Boromand Nasab, S. (2016). Investigating the performance of neural networks in estimating reference plant evaporation and transpiration (Case Study: Ahvaz Synoptic Station). Wetland Ecobiology, 8 (28), 23-34 (in Persian).
Haghighatjou, P., Muhammadzadeh Shahroudi, Z., & Mohammadrezapour, O. (2017). Comparison of gene expression programming (GEP) and neuro-fuzzy methods for estimation of pan evaporation (Case study: south Khorasan province). Water Soil Resource Conservation, 6(4), 107–117 (in Persian).
Haghi Zadeh, A., Ebrahimian, T., & Yarahmadi Y. (2019). Comparison of hybrid ANFIS-PSO model and experimental torque model in reference evaporation and transpiration estimation (Case study: Poldakhter-Lorestan). Ecohydrology, 6(3), 685-694 (in Persian).
Hoseini, M. (2015). Comparing the performance of artificial neural network and tree model in estimating daily reference evaporation and transpiration with minimum climatic data (Case study: cold and dry region of Shahrekord). M.Sc. Thesis, Shahrekord University (in Persian).
Hozhabr, H., Moazed, H., & Shokri, S. (2014). Estimating reference evaporation and transpiration using experimental models, modeling it with artificial neural network and comparing them with lysimeter data in Kehriz station of Urmia. Irrigation and Water Engineering, 4(15), 13-25 (in Persian).
Kisi, O., & Ozturk, O. (2007). Adaptive neurofuzzy computing technique for evapotranspiration estimation. ASCE Journal of Irrigation and Drainage Engineering, 133, 368-379.
Koochak Zadeh, M., & Bahmani, A. (2005). Evaluation of the performance of artificial neural networks in reducing the parameters required to estimate reference evaporation and transpiration. Journal of Agricultural Sciences; 11(4), 91-101 (in Persian).
Laaboudi, A., Mouhouche, B., & Draoui, B. (2012). Neural network approach to reference evapotranspiration modeling from limited climatic data in arid regions. International Journal of Biometeorol, 56, 831–841.
Landeras, G., Ortiz-Barredo, A., & López, J.J. (2008). Comparison of artificial neural network models and empirical and semi-empirical equations for daily evapotranspiration estimation in the Basque Country (Northern Spain). Agricultural Water Management, 95(5), 553-565.
Mohamadrezapour, O. (2017). Monthly forecast of potential evapotranspiration models using support vector machine (SVM), genetic programming and neural-fuzzy inference system. Irrigation Water Engineering, 7(3), 135–150.
Nouri, S., Fallahghalheri, Gh., & Sanaei Nezhad, H. (2013). Modeling plant evaporation and transpiration using artificial neural network with minimum climatic variables in Mashhad synoptic station. Journal of Water and Soil Conservation Research, 20(5), 163-178 (in Persian).
Norman, J.M., Kustas, W.P., & Humes, K.S. (1995). Source approach forestimating soil and vegetation energy fluxes in observations of directionalradiometric surface temperature. Agricultural and Forest Meteorology, 77, 263-293.
Parvaresh Rizi, A., Koochak Zadeh, S., & Omid, M. (2006). Estimating moving hydraulic jump parameters by means of ANN and the integration of ANN and GA. Agricultural Siences, 37(1), 187-196.
Rahimzadegan, R. (1991). Searching for a suitable method for estimating evaporation and transpiration in Isfahan region. Iranian Journal of Agricultural Sciences, 22(2), 1-10 (in Persian).
Sayadi, H., Olad Ghaffari, A., Faalian, A., & Sadrodini, A. (2009). Comparison of the performance of RBF and MLP neural networks in estimating reference plant evapotranspiration. Journal of Water and Soil Sciences, 1(19), 1-12 (in Persian).
Sayadi Shahraki, A., Naseri, A.A, Boroomand Nasab, S., & Soltani Mohammadi, A. (2020). Estimating evaporation and transpiration using experimental models, modeling it with artificial neural network and comparing them with lysimeter data (Case study: sugarcane cultivation and industry of Salman Farsi). Neywar, 44(111), 146-156 (in Persian).
Saremi, M., & Farhadi Bansouleh, B. (2015). Determining the effective parameters in estimating the evaporation and transpiration of the reference plant using artificial neural network (Case study: Lorestan province). Irrigation and Drainage Journal, 4(9), 614-623 (in Persian).
دوره 3، شماره 2
تیر 1402
صفحه 112-124
  • تاریخ دریافت: 20 مرداد 1401
  • تاریخ بازنگری: 16 شهریور 1401
  • تاریخ پذیرش: 17 شهریور 1401
  • تاریخ اولین انتشار: 17 شهریور 1401