ارزیابی مدل هیبریدی ANN-PSO و روش‌های مختلف داده‌کاوی در برآورد تبخیر و تعرق ماهانه در دو اقلیم مختلف

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری گروه مهندسی آب، دانشکده مهندسی زراعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران.

2 دانشیار گروه مهندسی آب، دانشکده مهندسی زارعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران.

3 دانشجوی دکتری گروه مهندسی برق، دانشکده مهندسی، دانشگاه فردوسی مشهد، مشهد، ایران.

4 دانشجوی دکتری گروه مهندسی آبیاری و آبادانی، دانشکدگان کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران.

چکیده

تبخیر و تعرق یکی از مؤلفه‌های اصلی بیلان آب هر منطقه و برآورد دقیق آن در مطالعات هیدرولوژیکی، طراحی سامانه‌های آبیاری و زهکشی و برنامه‌ریزی سامانه‌های آبیاری بسیار ضروری است. در این تحقیق به ارزیابی مدل درختی M5، M5 Rules، K Star، Rep Tree، مدل شبکه عصبی مصنوعی و مدل ترکیبی شبکه عصبی ANN-PSO در تخمین تبخیر و تعرق مرجع در دو نقطه اقلیمی مختلف در استان مرکزی بر مبنای مدل پنمن مونتیث فائو پرداخته شد. داده‌های مورد استفاده شامل دمای حداقل و حداکثر، رطوبت نسبی میانگین، سرعت باد در ارتفاع دو متری و ساعات آفتابی به عنوان ورودی مدل از ایستگاه سینوپتیک دلیجان و تفرش بین سال‌های 2021-2004 بودند و تبخیر و تعرق محاسبه‌شده از روش پنمن مونتیث فائو به عنوان خروجی مدل‌ها استفاده شد. برای ارزیابی مدل-ها از شاخص‌های جذرمیانگین مربعات خطا (RMSE)، میانگین انحراف مطلق (MAE) و ضریب همبستگی (R) استفاده شد. تجزیه‌وتحلیل نتایج نشان داد که برای هر دو ایستگاه، مدل ترکیبی شبکه عصبی ANN-PSO با RMSE=0.3115، MAE=0.2441 و R=0.9989 برای ایستگاه دلیجان و RMSE=0.2915، MAE=0.2355 و R=0.9989 برای ایستگاه تفرش و مدل درختی M5 باRMSE=0.2793 ، MAE=0.2398 و R=0.9967 برای ایستگاه دلیجان و RMSE=0.2803، MAE=0.2306 و R=0.9969 برای ایستگاه تفرش بهترین عملکرد را داشتند. همچنین مدل Rep Tree ضعیف‌ترین عملکرد را در بین مدل‌های مورد بررسی در این پژوهش داشت. با توجه به اینکه مدل درختی علاوه بر دقت مطلوب، روابط ساده، خطی و قابل‌فهم‌تری را برای برآورد تبخیر و تعرق مرجع ارائه می‌نماید، این مدل برای برآورد تبخیر و تعرق در این منطقه قابل توصیه است.

کلیدواژه‌ها

عنوان مقاله [English]

Evaluation of Hybrid Model ANN-PSO and Different Data Mining Methods in Estimating Monthly Evapotranspiration in Two Different Climates

نویسندگان [English]

  • Seyyed Mohammadreza Hosseini-Vardanjani 1
  • Mojtaba Khoshravesh 2
  • Seyed Ebrahim Hosseini- Kakolaki 3
  • Masoud Pourgholam-Amiji 4
1 Ph.D. Student, Department of Water Engineering, Faculty of Agricultural Engineering, Sari Agricultural Sciences and Natural Resources University, Sari, Iran.
2 Associate Professor, Department of Water Engineering, Faculty of Agricultural Engineering, Sari Agricultural Sciences and Natural Resources University, Sari, Iran
3 Ph.D. Student, Department of Electrical Engineering, Faculty of Engineering, Ferdowsi University of Mashhad, Mashhad, Iran.
4 Ph.D. Candidate, Department of Irrigation and Reclamation Engineering, College of Agriculture and Natural Resources, University of Tehran, Karaj, Iran.
چکیده [English]

Evapotranspiration is one of the main components of any region's water balance. Its accurate estimation is very necessary for hydrological studies, designing irrigation and drainage systems, and planning irrigation systems. In this research, the M5 tree model, M5 Rules, K Star, Rep Tree, artificial neural network model, and ANN-PSO neural network hybrid model in the estimation of reference evapotranspiration in two different climatic regions in Markazi Province based on the FAO Penman-Monteith model were evaluated. The data used included minimum and maximum temperature, average relative humidity, and wind speed at a height of two meters and sunny hours as input to the model from the synoptic stations of Delijan and Tafresh between 2004-2021, and evapotranspiration calculated by FAO Penman Monteith method was used as the output of the models. To evaluate the models, the Root Mean Square of Error (RMSE), Mean Absolute Error (MAE) and Correlation Coefficient (R) indices were used. The analysis of the results showed that for both stations, ANN-PSO neural network hybrid model had the best performance with RMSE=0.3115, MAE=0.2441 and R=0.9989 for the Delijan station and RMSE=0.2915, MAE=0.2355 and R=0.9989 for Tafresh station and tree model M5 with RMSE=0.2793, MAE=0.2398 and R=0.9967 for Delijan station and RMSE=0.2803, MAE=0.2306 and R=0.9969 for Tafresh station. Also, the Rep Tree model had the weakest performance among the models examined in this research. Considering that the tree model provides simple, linear and more comprehensible relationships for estimating reference evapotranspiration in addition to optimal accuracy, this model is recommended for estimating evapotranspiration in this region.

کلیدواژه‌ها [English]

  • Dry Regions
  • Evaporation and Transpiration
  • Machine Learning
  • Soft Computing

مراجع

احمدی، ف.، آیشم، س.، خلیلی، ک. و بهمنش، ج. 1394. کاربرد سیستم‌های استنتاج عصبی-فازی تطبیقی و برنامه‌ریزی ژنتیک برای برآورد تبخیر و تعرق ماهانه در شمال غرب ایران. پژوهش‌های آب در کشاورزی. 29 (2): .247-235.
بختیاری، ب.، محبی دهاقانی، ع. و قادری، ک. 1394. برآورد تبخیر تعرق مرجع روزانه با حداقل داده‌های هواشناسی در اقلیم‌های نیمه‌خشک منتخب ایران. تحقیقات منابع آب ایران. 11 (3): 144-131.
بیدآبادی، م.، بابازاده، ح.، شیری، ج. و صارمی، ع. 1400. برآورد تبخیر و تعرق گیاه مرجع با استفاده از ANN و ANFIS در اقلیم نیمه‌خشک و خشک. آبیاری و زهکشی ایران. 15 (6): 1420-1412.
پناهی، س.، کرباسی، م. و نیکبخت. ج. 1395. پیش‌بینی تبخیر-تعرق مرجع با استفاده از شبکه‌های عصبی مصنوعیRBF ، MLP و SVM. محیط‌زیست و مهندسی آب. 2 (1): 63-51.
پناهی، م. و میرهاشمی، س. ح. 1394. ارزیابی سه مدل نرم‌افزار weka در پیش‌بینی تبخیر تعرق پتانسیل و رطوبت نسبی ماهانه برای ماه بعد (مطالعه موردی  استان یزد). اولین کنگره علمی پژوهشی توسعه و ترویج علوم کشاورزی، منابع طبیعی و محیط‌زیست ایران، تهران. 28 و 29 شهریورماه.
پورغلام آمیجی، م.، خوش‌روش، م.، دیوبند هفشجانی، ل. و قدمی فیروزآبادی، ع. 1401. اثر آبیاری با پساب مغناطیسی تصفیه‌شده بر بهره‌وری آب ذرت. نشریه آبیاری و زهکشی ایران. 16 (1): 253-243.
حسینی وردنجانی، س. م. ر.، فتاحی، ر. و محترمی. ا. 1399. ارائه یک ضریب اصلاحی برای بهبود دقت روش هارگریوز در برآورد تبخیر و تعرق مرجع. نیوار. 44 (110-111): 52-43.
حقی‌زاده، ع.، یوسفی، ح.، یاراحمدی، ی. و ابراهیمیان، ط. 1398. مقایسۀ مدل هیبریدی PSO-ANFIS و مدل تجربی تورک در تخمین تبخیر و تعرق مرجع (مطالعۀ موردی: پل‌دختر- لرستان). اکوهیدرولوژی. 6 (3): 694-685.
ذرتی پور، ا.، نیسی، ل.، گلابی، م.، بزاز، ا. و ذرتی پور، ا. 1398. شبیه‌سازی و مقایسه‌ی تبخیر و تعرق پتانسیل به روش‌های شبکه عصبی مصنوعی، نروفازی و درخت تصمیم‌گیری M5 (مطالعه موردی: ایستگاه سینوپتیک شیراز). تحقیقات منابع آب ایران. 15 (1): 371-365.
سپهری، س.، عباسی، ف.، زارعی، ق. و نخجوانی مقدم، م. م. 1399. بررسی و تحلیل حساسیت روش‌های مبتنی بر شبکه‌های عصبی مصنوعی در برآورد تبخیر و تعرق گیاه مرجع. آبیاری و زهکشی ایران. 14 (6): 2099-2089.
ستاری، م. ت. و اسماعیل‌زاده، ب. 1395. مقایسه نتایج مدل درختی M5 و برنامه‌ریزی ژنتیک با روش پنمن مونتیث فائو برای تخمین تبخیر و تعرق مرجع. مهندسی منابع آب. 9 (31): 20-11.
ستاری، م. ت، نهرین، ف. و عظیمی، و. 1392. پیش‌بینی تبخیر-تعرق مرجع روزانه با استفاده از مدل شبکه عصبی مصنوعی و مدل درختی M5 (مطالعه موردی: ایستگاه بناب). آبیاری و زهکشی ایران. 7 (1): 113-104.
فضلی مقصودی، حسن و مومنی، حسین .1392. مقایسه و بررسی الگوریتم­های داده­کاوی کاهل و ماشین بردار پشتیبان برای تشخیص نفوذ، همایش مهندسی کامپیوتر و توسعه پایدار با محوریت شبکه­های کامپیوتری، مدلسازی و امنیت سیستم­ها، مشهد.
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.
منهاج، م. ب. 1393. مبانی شبکه­های عصبی و هوش محاسباتی. جلد اول، چاپ نهم، انتشارات دانشگاه صنعتی امیر کبیر، تهران، 718 ص.
نورانی، و. و سیاح فرد، م. 1392. آنالیز حساسیت داده‌های ورودی به شبکه عصبی مصنوعی به‌منظور برآورد مقدار تبخیر روزانه. آب و فاضلاب. 24 (3): 100-88.
وروانی، ه.، مرادی، م. و وروانی، ج. 1392. برآورد تبخیر و تعرق ماهانه گیاه مرجع توسط مدل رگرسیون درختی در نواحی مختلف آب و هوایی ایران. پژوهش آب در کشاورزی. 27 (4): 534-523.
Algretawee, H. and Alshama, G. 2021. Modeling of Evapotranspiration (ETo) in a Medium Urban Park within a Megacity by Using Artificial Neural Network (ANN) Model. Periodica Polytechnica Civil Engineering. 65(4): 1260–1268.
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 56. Fao, Rome. 300(9): D05109.
Ansari Ghojghar, M., Pourgholam-Amiji, M., Bazrafshan, J., Liaghat, A. and Araghinejad, S. 2020. Performance Comparison of Statistical, Fuzzy and Perceptron Neural Network Models in Forecasting Dust Storms in Critical Regions in Iran. Iranian Journal of Soil and Water Research. 51(8): 2051-2063.
Antonopoulos, V. and Antonopoulos, A. 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.
Belouch, M., El Hadaj, S. and Idhammad, M. 2017. A two-stage classifier approach using reptree algorithm for network intrusion detection. International Journal of Advanced Computer Science and Applications. 8(6): 389-394.
Binkert, N. L., Dreslinski, R. G., Hsu, L. R., Lim, K. T., Saidi, A. G. and Reinhardt, S. K. 2006. The M5 simulator: Modeling networked systems. Ieee micro. 26(4): 52-60.
Eberhart, R. and Kennedy, J. 1995. A new optimizer using particle swarm theory. In MHS'95. Proceedings of the sixth international symposium on micro machine and human science (pp. 39-43). Ieee.
Eichelmann, E., Mantoani, M. C., Chamberlain, S. D., Hemes, K. S., Oikawa, P. Y., Szutu, D. and Baldocchi, D. D. 2022. A novel approach to partitioning evapotranspiration into evaporation and transpiration in flooded ecosystems. Global Change Biology. 28(3): 990-1007.
Genolini, P. B. 2022. Wrapped M5-branes and complex saddle points. Journal of High Energy Physics. 2022(1): 1-45.
Ghahreman, N. and Sameti, M. 2014. Comparison of M5 Model Tree and Artificial Neural Network for Estimating Potential Evapotranspiration in Semi-arid. Desert. 19(1): 75-81.
Haykin, S. 1994. Neural Networks: A Comprehensive Foundation, MacMillan College Publishing Co. New York.
Hou, Y., Hao, G., Zhang, Y., Gu, F., and Xu, W. 2022. A multi-objective discrete particle swarm optimization method for particle routing in distributed particle filters. Knowledge-Based Systems. 240: 108068.
Jain, S. K., Nayak, P. C. and Sudheer, K. P. 2008. Models for estimating evapotranspiration using artificial neural networks, and their physical interpretation. Hydrological Processes: An International Journal. 22(13): 2225-2234.
Khalilmoghadam, B., Afyuni, M., Abbaspour, K. C., Jalalian, A., Dehghani, A. A. and Schulin, R. 2009. Estimation of surface shear strength in Zagros region of Iran—a comparison of artificial neural networks and multiple-linear regression models. Geoderma. 153(1-2): 29-36.
Kumar, M., Raghuwanshi, N. S. and Singh, R. 2011.  Artificial neural networks approach in evapotranspiration modeling: a review. Irrigation Science. 29:11–25.
Khoshravesh, M., Abedi-Koupai, J. and Nikzad-Tehrani, E. 2016. Detection of trends in hydro-climatological variables using parametric and non-parametric tests in Neka basin. Journal of Water and Soil Science.  19(74): 1-14.
Kisi, O. and Kilic, Y. 2016. An investigation on generalization ability of artificial neural networks and M5 model tree in modeling reference evapotranspiration. Theoretical and applied climatology. 126(3): 413-425.
Kisi, O., Keshtegar, B., Zounemat-Kermani, M., Heddam, S. and Trung, N. T. 2021. Modeling reference evapotranspiration using a novel regression-based method: radial basis M5 model tree. Theoretical and Applied Climatology. 145(1): 639-659.
MacKay, D. J. 1992. Bayesian interpolation. Neural computation. 4(3): 415-447.
Minasny, B. and McBratney, A. B. 2002b. Evaluation and development of hydraulic conductivity pedotransfer functions for Australian soil. Soil Research. 38(4): 905-926.
Minasny, B. and McBratney, A. B. 2002a. The neuro‐m method for fitting neural network parametric pedotransfer functions. Soil Science Society of America Journal. 66(2): 352-361.
Mirzaee, S., Ghorbani-Dashtaki, S., Mohammadi, J., Asadzadeh, F. and Kerry, R. 2017. Modeling WEPP erodibility parameters in calcareous soils in northwest Iran. Ecological Indicators. 74: 302-310.
Ngo, N. T., Truong, T. T. H., Truong, N. S., Pham, A. D., Huynh, N. T., Pham, T. M. and Pham, V. H. S. 2022. Proposing a hybrid metaheuristic optimization algorithm and machine learning model for energy use forecast in non-residential buildings. Scientific Reports. 12(1): 1-18.
Pal, M. and Deswal, S. 2009. M5 model tree based modelling of reference evapotranspiration. Hydrological Processes: An International Journal. 23(10): 1437-1443.
Petković, D., Gocic, M., Shamshirband, S., Qasem, S. N. and Trajkovic, S. 2016. Particle swarm optimization-based radial basis function network for estimation of reference evapotranspiration. Theoretical and applied climatology. 125(3): 555-563.
Quinlan, J. R. 1992. Learning with continuous classes. In 5th Australian joint conference on artificial intelligence. 92: 343-348.
Rahimikhoob, A. 2014. Comparison between M5 model tree and neural networks for estimating reference evapotranspiration in an arid environment. Water resources management. 28(3): 657-669.
Sattari, M. T, Pal, M., Apaydin, H. and Ozturk, F. 2013. M5 model tree application in daily river flow forecasting in Sohu Stream, Turkey. Water Resources. 40(3). 233-242.
Shi, Y. and Eberhart, R. 1998. A modified particle swarm optimizer. In 1998 IEEE international conference on evolutionary computation proceedings. IEEE world congress on computational intelligence (Cat. No. 98TH8360). 69-73.
Terzi, O. 2007. Data mining approach for estimation evaporation from free water surface. Journal of Applied Sciences. 7(4). 593-596
نشریه آبیاری و زهکشی ایران
دوره 16، شماره 5 - شماره پیاپی 95
آذر و دی 1401
صفحه 924-936

فایل ها

هم رسانی

ارجاع به این مقاله

آمار