پیش‌بینی تبخیر‌- تعرق مرجع روزانه با استفاده از روش ترکیبی هوشمند مصنوعی بر پایه الگوریتم پیش‌پردازش‌کننده تجزیه مد تجربی

نوع مقاله: مقاله پژوهشی

نویسندگان

1 گروه مهندسی آب، دانشگاه ارومیه

2 استاد گروه مهندسی آب، دانشگاه ارومیه، ارومیه، ایران

3 گروه مهندسی آب، دانشکده کشاورزی، دانشگاه ارومیه

4 دکتری مهندسی آّب، دانشگاه ارومیه

چکیده

تبخیر- تعرق به عنوان یکی از اجزاء مهم چرخه هیدرولوژیک نقش بسیار مهمی در بررسی بیلان آبی حوضه‌های آبریز دارد. در محاسبه نیاز آبی گیاهان، ابتدا مقدار تبخیر- تعرق مرجع محاسبه و سپس با استفاده از آن، تبخیر-تعرق گیاهی محاسبه می‌شود. در این تحقیق جهت برآوردی دقیق از مقدار تبخیر- تعرق مرجع روزانه حوضه آبریز دریاچه ارومیه، ابتدا براساس روش استاندارد فائو- پنمن- مونتیث و داده‌های هواشناسی سه ایستگاه ارومیه، مهاباد و خوی، مقدار تبخیر- تعرق مرجع) (ET0 محاسبه شد. سپس با استفاده از آنالیز ضریب مالو، موثرترین پارامترها جهت استفاده در مدلهای مورد استفاده مشخص گردید. در این تحقیق از مدل درخت MT که بر اساس الگوریتم استنتاجی کلاس‌بندی توسعه پیدا کرده است، استفاده گردید. برای مقابله با پیچیدگی و ناپایداری داده‌های سری زمانی تبخیر-تعرق از الگوریتم پیش‌پردازش‌کننده تجزیه مد تجربی (EMD) استفاده و نتایج به دست آمده با روابط تجربی تعیین تبخیر-تعرق مرجع شامل روشهای Romanenko و Schendel مقایسه گردید. نتایج تحقیق نشان داد که عملکرد مدل درخت به شکل منفرد MT، مشابه و گاهی کمتر از عملکرد شبکه عصبی مصنوعی بود. با این حال ترکیب مدل درخت با تکنیک EMD باعث افزایش دقت مدل و کاهش خطا در شبیه‌سازی روزانه در ایستگاه های ارومیه، مهاباد و خوی گردید. نتایج نشان داد که در مرحله آزمون ترکیب روش MT با EMD باعث ارتقا شاخص همبستگی به میزان 02/1% ، 39/4% و 04/2% به ترتیب برای ایستگاه‌های ارومیه، مهاباد و خوی گردید. همچنین میان روابط تجربی، رابطه Romanenko نسبت به رابطه تجربی Schendel دارای دقت بالاتری بوده و می‌توان رابطه Romanenko را برای مدل سازی تبخیر-تعرق مرجع برای منطقه مورد مطالعه توصیه نمود.

کلیدواژه‌ها


عنوان مقاله [English]

Prediction of daily reference evapotranspiration using hybrid artificial intelligence method based on empirical mode decomposition

نویسندگان [English]

  • Amin Amirashayeri 1
  • Javad Behmanesh 2
  • Vahid Rezaverdinejad 3
  • Nasrin Fathollahzadeh Attar 4
1 Department of Water Engineering, Urmia University
2 Professor of Water Engineering, Department of Water Engineering, Urmia University. Urmia. Iran
3 Department of Water Engineering, Urmia University, Iran
4 Urmia University
چکیده [English]

Evapotranspiration (ET) is one of the essential components of the hydrological cycle, which plays a crucial role in the study of a watershed water balance. In calculating the water requirement of plants, it is essential to calculate the reference evapotranspiration, and then, the crop evapotranspiration is estimated using the calculated value. In the present research, for accurate determining of daily reference evapotranspiration of Lake Urmia watershed, three stations of the watershed, including Urmia, Mahabad, and Khoy, were selected and daily reference evapotranspiration values were calculated based on the standard FAO-Penman-Monteith method. The best input parameters for modeling reference evapotranspiration were selected based on Malo’s coefficient. The MT model, which is used in the current study, is one of the inference-classification algorithms. To deal with the complexity and instability of time series data, the empirical mode decomposition (EMD) preprocessing algorithm was used. The results of the methods were compared with the empirical relationships of Romanenko and Schendel. The results of this study show that although the tree modeling method performs relatively equal and sometimes weaker than the ANN method, the combination with EMD technique increases the accuracy of the model and reduces the error in daily ET0 prediction. According to the results, the EMD-MT method in correlation coefficient index for Urmia, Mahabad, and Khoy stations increased 1.02%, 4.39%, and 2.04%, respectively. Also, among the empirical relations, the Romanenko relation is more accurate than the Schendel equation, and it is a reliable empirical model.

کلیدواژه‌ها [English]

  • empirical mode decomposition
  • Reference Evapotranspiration
  • Model tree
  • prediction