برآورد تبخیر-تعرق روزانه و هفتگی با استفاده از رویکردهای ترکیبی محاسبات نرم

نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه مهندسی آب، دانشکده مهندسی عمران و نقشه برداری، دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته، کرمان، ایران

2 گروه مهندسی آب، دانشکده ی مهندسی عمران و نقشه برداری، دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته، کرمان، ایران

چکیده

از آنجا که بخش بسیار بزرگی از آب در دسترس به واسطه تبخیر-تعرق تلف می شود، برآورد دقیق آن در دوره های زمانی کوتاه مدت و بلندمدت حائز اهمیت می باشد. در این مقاله قابلیت رویکرد مدل درخت M5 و جنگل تصادفی (RF) به عنوان رویکردهای هوش مصنوعی و همچنین در ترکیب با فرآیند پیش پردازشگر موجک، جهت برآورد تبخیر-تعرق پتانسیل روزانه و هفتگی در ایستگاه سینوپتیک بابلسر بررسی گردید. با توجه به ساختار سری زمانی داده های ورودی، دو تابع موجک مادر کویفلت و دوبشی مرتبه ششم در سطوح تجزیه 3 تا 8 انتخاب شدند. به منظور ارزیابی مدل های ارائه شده از چهار شاخص ضریب همبستگی (R)، شاخص توافق (Ia)، ضریب ناش-ساتکلیف (NSE) و جذر متوسط مربعات خطا (RMSE) استفاده شد. نتایج حاصل از این پژوهش نشان داد که با وجود این که کلیه مدل های منفرد، کارایی مطلوبی در مدلسازی تبخیر-تعرق دارند، استفاده از فرآیند پیش پردازش موجک، در تمامی موارد موجب ارتقای عملکرد مدل های منفرد شده و همچنین باعث می شود تا سناریوهای ورودی ساده تر هم نتایج مطلوب تری ارائه کنند. به عنوان مثال در سناریوی ورودی سوم (سرعت باد، دمای حداکثر، رطوبت نسبی و نقطه شبنم) استفاده از موجک دوبشی مرتبه ششم در سطح تجزیه 5 موجب شد تا ضریب همبستگی مدل روزانه از 0.908 به 0.928 ارتقا یافته و همزمان RMSE از 0.833 به 0.722 میلی متر در روز کاهش یابد. به طور مشابه استفاده از موجک مادر کویفلت مرتبه چهارم در سطح تجزیه 5 موجب شد تا در مدل هفتگی ضریب همبستگی از 0.948 به 0.961 افزایش یافته و میزان RMSE از 4.55 به 4 میلی متر در هفته کاهش یابد. از این رو این تحقیق، کارایی رضایتبخش هر دو رویکرد منفرد و ترکیبی در برآورد تبخیر-تعرق دوره های زمانی روزانه و هفتگی را نشان داد، با این وجود کاربرد رویکردهای ترکیبی موجب شد تا استفاده از پارامترهای هواشناسی ساده تر و در دسترس تر هم نتایج رضایتبخشی را ارائه کند.

کلیدواژه‌ها


عنوان مقاله [English]

Estimation of Daily and Weekly Evapotranspiration Using Hybrid Approaches of Soft Computing

نویسندگان [English]

  • Sajad Shahabi 1
  • Fariba Azarpira 2
  • Ali Barzkar 2
1 Department of Water Engineering, Faculty of Civil and Surveying Engineering, , Graduate University of Advanced Technology, Kerman, Iran
2 Department of Water Engineering, faculty of Civil and Surveying Engineering, Graduate University of Advanced Technology
چکیده [English]

Since a considerable part of the available water is wasted due to evapotranspiration, a precise estimation of it in short-term and long-term periods is of great importance. In this paper, the capability of the M5 model tree and random forest (RF), as the artificial intelligence approaches, and in combination with the wavelet preprocessing, investigated to estimate the potential daily and weekly evapotranspiration in the synoptic station of Babolsar. Given the time series structure of the input data, the two functions of Coiflet mother wavelet and Daubechies 6 wavelet in the decomposition levels of 3 to 8 were chosen. The four indices of correlation coefficient (R), index of agreement (Ia), Nash-Sutcliffe model efficiency coefficient (NSE) and root mean square error (RMSE) used to evaluate the presented models. The obtained results indicated that although all individual models have desirable efficiency in modeling the evapotranspiration, the use of wavelet preprocessing enhances the performance of individual models in all cases while allows the simpler input scenarios to provide more desirable results. For instance, in the third input scenario (wind speed, maximum temperature, relative humidity, and dew point), the use of Daubechies 6 wavelet in the decomposition level of 5 increased the correlation coefficient of the daily model from 0.908 to 0.928 while reduced the RMSE from 0.833 mm/day to 0.722 mm/day. Similarly, the use of Coiflet-4 mother wavelet in the decomposition level of 5 raised the correlation coefficient of the weekly model from 0.948 to 0.961 while lowered the RMSE from 4.55 mm/week to 4 mm/week. Therefore, in the present study, the efficiency of both individual and hybrid approaches in estimating the evapotranspiration of daily and weekly periods is satisfactory. However, if the hybrid approaches employed, even the use of simpler and more accessible meteorological parameters will provide satisfactory results.

کلیدواژه‌ها [English]

  • evapotranspiration
  • M5 model tree
  • Random forest
  • Wavelet
آذرپیرا، ف. و شهابی، س. 1399. پیش‌بینی جریان با استفاده از رویکرد تلفیقی موجک- برنامه­ریزی بیان­ژن و ارزیابی تأثیر پارامترهای هواشناسی بر کارایی آن. مدیریت آب و آبیاری. 10 (2): 279-265.
احمدی، ف.، رادمنش، ف.، میرعباسی نجف آبادی، ر. و آیشم، س. 1394. پیش‌بینی تبخیر و تعرق ماهانه گیاه مرجع در شمال‌غرب کشور با استفاده از برنامه‌ریزی ‌ژنتیک و ماشین بردار پشتیبان. نشریه آبیاری و زهکشی ایران. 9 (1): 65-54 .
برزکار، ع.، شهابی، س.، نیازمردی، س. و مددی، م.ر. 1399. ارزیابی قابلیت برنامه‌ریزی بیان­ژن در تخمین تبخیرتعرق پتانسیل در مقایسه با رابطه هارگریوز-‌ سامانی. نشریه آبیاری و آب ایران (پذیرفته شده).
ستاری، م. و اسمعیل زاده، ب. 1395. مقایسه نتایج مدل درختی M5 و برنامه‌ریزی ژنتیک با روش پنمن-مونتیث-فائو برای تخمین تبخیر- تعرق مرجع. فصلنامه علمی - پژوهشی مهندسی منابع آب. 9(31): 20-11.
سیاسر، ه. و هنر، ت. 1398. کاربرد مدل‌های ماشین بردار پشتیبان، چاید و جنگل تصادفی در برآورد تبخیر تعرق مرجع روزانه درشمال استان سیستان و بلوچستان. نشریه آبیاری و زهکشی ایران. 13(2): 388-378 .
سبزواری، ی.، نصرالهی، ع.، شریفی‌پور، م. و شاهی‌نژاد، ب.  1399. ارزیابی مدل‌های شبکه‌بیزین و ماشین‌بردارپشتیبان در برآورد تبخیروتعرق مرجع (مطالعه ‏موردی: خرم‌آباد)‏. نشریه آبیاری و زهکشی ایران. 14(2): 534-522 .
شریفان، ح. و قربانی، خ. 1393. بهبود برآورد تبخیر-تعرق پتانسیل با استفاده از ضریب اصلاحی به کمک مدل درخت تصمیم M5. نشریه آبیاری و زهکشی ایران. 8 (1): 61-53 .
 Allen, R.G., Pereira, L.S., Raes, D. and Smith, M. 1998. Crop evapotranspiration (Guidelines for computing crop water requirements). FAO Irrigation and drainage paper NO. 56. Food and Agricultural Organization of theUnited Nations , Rome, 300p.
Antonopoulos, V.Z. and Antonopoulos, A.V. 2017. Daily reference evapotranspiration estimates by artificial neural networks technique and empirical equations using limited input climate variables. Computers and Electronics in Agriculture. 132:86-96.
Boggess, A., and Narcowich, F.J. 2015. A first course in wavelets with Fourier analysis. John Wiley & Sons.
Breiman, L. 2001. Random forests. Machine Learning, 45(1): 5-32.
Falamarzi, Y., Palizdan, N., Huang, Y.F. and Lee, T.S. 2014. Estimating evapotranspiration from temperature and wind speed data using artificial and wavelet neural networks (WNNs). Agricultural Water Management. 140:26-36.
Feng, Y., Cui, N., Gong, D., Zhang, Q. and Zhao, L. 2017a. Evaluation of random forests and generalized regression neural networks for daily reference evapotranspiration modelling. Agricultural Water Management. 193:163-173.
Feng, Y., Jia, Y., Cui, N., Zhao, L., Li, C. and Gong, D. 2017b. Calibration of Hargreaves model for reference evapotranspiration estimation in Sichuan basin of southwest China. Agricultural Water Management. 181:1-9.
Ghorbani, M.A., Deo, R.C., Karimi, V., Yaseen, Z.M. and Terzi, O. 2018. Implementation of a hybrid MLP-FFA model for water level prediction of Lake Egirdir, Turkey. Stochastic Environmental Research and Risk Assessment. 32(6):1683-1697.
Granata, F. 2019. Evapotranspiration evaluation models based on machine learning algorithms: A comparative study. Agricultural Water Management. 217:303-315.
Hargreaves, G.H. and Samani, Z.A., 1985. Reference crop evapotranspiration from temperature. Applied engineering in agriculture, 1(2):96-99.
Kim, T.W. and Valdés, J.B. 2003. Nonlinear model for drought forecasting based on a conjunction of wavelet transforms and neural networks. Journal of Hydrologic Engineering, 8(6):319-328.
Kisi, O., 2011. Evapotranspiration modeling using a wavelet regression model. Irrigation science. 29(3):241-252.
Kisi, O. and Shiri, J., 2012. Wavelet and neuro-fuzzy conjunction model for predicting water table depth fluctuations. Hydrology Research. 43(3):286-300.
Landeras, G., Ortiz-Barredo, A. and López, J.J. 2008. Comparison of artificial neural network models and empirical and semi-empirical equations for daily reference evapotranspiration estimation in the Basque Country (Northern Spain). Agricultural Water Management, 95(5):553-565.
Mallat, S. 2008. A Wavelet Tour of Signal Processing: the Sparse Way 3rd edn (New York: Academic).
Nourani, V., Baghanam, A. H., Adamowski, J., & Kisi, O. 2014. Applications of hybrid wavelet–artificial intelligence models in hydrology: a review. Journal of Hydrology514:358-377.
Olatomiwa, L., Mekhilef, S., Shamshirband, S., Mohammadi, K., Petković, D. and Sudheer, C. 2015. A support vector machine–firefly algorithm-based model for global solar radiation prediction. Solar Energy. 115:632-644.
Partal, T. and Kişi, Ö. 2007. Wavelet and neuro-fuzzy conjunction model for precipitation forecasting. Journal of Hydrology. 342(1-2):199-212.
Partal, T. and Küçük, M. 2006. Long-term trend analysis using discrete wavelet components of annual precipitations measurements in Marmara region (Turkey). Physics and Chemistry of the Earth, Parts A/B/C. 31(18):1189-1200.
Qasem, S.N., Samadianfard, S., Kheshtgar, S., Jarhan, S., Kisi, O., Shamshirband, S. and Chau, K.W. 2019. Modeling monthly pan evaporation using wavelet support vector regression and wavelet artificial neural networks in arid and humid climates. Engineering Applications of Computational Fluid Mechanics, 13(1):177-187.
Quinlan, J.R. 1992. Learning with continuous classes. In 5th Australian joint conference on artificial intelligence, 92:343-348.
Rezaie-Balf, M., Kisi, O. and Chua, L.H. 2019. Application of ensemble empirical mode decomposition based on machine learning methodologies in forecasting monthly pan evaporation. Hydrology Research. 50(2):498-516.
Shiri, J. 2018. Improving the performance of the mass transfer-based reference evapotranspiration estimation approaches through a coupled wavelet-random forest methodology. Journal of Hydrology. 561:737-750.
Shiri, J., Nazemi, A.H., Sadraddini, A.A., Landeras, G., Kisi, O., Fard, A.F. and Marti, P. 2014. Comparison of heuristic and empirical approaches for estimating reference evapotranspiration from limited inputs in Iran. Computers and Electronics in Agriculture. 108:230-241.
Wang, S., Fu, Z.Y., Chen, H.S., Nie, Y.P. and Wang, K.L. 2016. Modeling daily reference ET in the karst area of northwest Guangxi (China) using gene expression programming (GEP) and artificial neural network (ANN). Theoretical and Applied Climatology. 126(3-4):493-504.
Wu, L., Zhou, H., Ma, X., Fan, J. and Zhang, F. 2019. Daily reference evapotranspiration prediction based on hybridized extreme learning machine model with bio-inspired optimization algorithms: Application in contrasting climates of China. Journal of Hydrology. 577:123960.
 Yaseen, Z.M., Deo, R.C., Ebtehaj, I. and Bonakdari, H. 2018. Hybrid data intelligent models and applications for water level prediction. In Handbook of Research on Predictive Modeling and Optimization Methods in Science and Engineering