تعیین پارامترهای مؤثر در برآورد تبخیر و تعرق گیاه مرجع با استفاده از شبکه عصبی مصنوعی (مطالعه موردی: استان لرستان)

نوع مقاله: مقاله پژوهشی

نویسنده

کارشناس ارشد، گروه مهندسی آب، دانشگاه رازی، کرمانشاه، ایران

چکیده

اگر چه روش­های متعددی جهت محاسبه تبخیر و تعرق گیاه مرجع (ETo) وجود دارد ولی روش فائو- پنمن- مانتیث از طرف سازمان خوار و بار جهانی به عنوان روش استاندارد توصیه شده است. استفاده از این روش به دلیل نیاز به پارامترهای متعدد هواشناسی و محاسبات پیچیده مشکل می­باشد. از طرفی شبکه­های عصبی مصنوعی در چند دهه­ی اخیر برای مدل­سازی سیستم­های پیچیده و غیر خطی قابلیت بسیار بالایی از خود نشان داده­اند. مطالعه حاضر به­منظور بررسی میزان حساسیت ETo نسبت به پارامترهای اقلیمی با استفاده از شبکه عصبی در استان لرستان صورت گرفته است. بدین منظور تبخیر و تعرق روزانه برای یک دوره ده ساله (2010-2001) به روش فائو- پنمن- مانتیث بر اساس داده­های هواشناسی روزانه از 8 ایستگاه هواشناسی در استان لرستان محاسبه گردید. سپس یک شبکه عصبی مصنوعی با 18 سناریو طراحی گردید. ترکیبات شش پارامتر هواشناسی (دمای حداکثر و حداقل، رطوبت نسبی حداقل و حداکثر، سرعت باد در ارتفاع دو متری و ساعت آفتابی روزانه) مورد نیاز برای محاسبه ETo با استفاده از فرمول پنمن مانتیث به عنوان ورودی شبکه و ETo محاسبه شده به عنوان خروجی شبکه در سناریوهای مختلف در نظر گرفته شد. نتایج حاصل از این تحقیق نشان داد که افزایش تعداد اطلاعات در لایه ورودی لزوماً منجر به بهبود نتایج مدل­های هوشمند نمی­شود. در شرایط کمبود داده­های هواشناسی سناریوی شماره 13 که شامل دو پارامتر دمای حداکثر و سرعت باد به عنوان ورودی شبکه بود برآوردهای معقولی در بر داشت.

کلیدواژه‌ها


عنوان مقاله [English]

Determination of Effective Parameters in Estimating Reference Crop Evapotranspiration Using Artificial Neural Networks (Case study: Lorestan province)

نویسنده [English]

  • Maryam Saremi
MSc Graduate Student, Water Engineering Department, Razi University., Kermanshah., Iran
چکیده [English]

However, several methods exist for calculation of reference crop evapotranspiration (ETo) but the FAO- 56 Penman- Monteith (FAO- 56 PM) method has been recommended by the Food and Agriculture Organization of the United Nations (FAO) as the standard equation. This method is difficult to use because it requires several weather parameters and complex calculations. On the other, over the last decades Artificial Neural Network (ANNs) have shown a good ability for modeling complex and nonlinear systems. The present study was carried out to investigate the sensitivity of the reference crop evapotranspiration to climate parameters using ANNs in Lorestan province. For this purpose in period 10 years (2001 – 2010) daily ETo were calculated using FAO-56 PM method based on weather data daily in the eight weather stations in Lorestan province. Then an Artificial Neural Network was designed with 18 scenarios. Combinations of six weather parameters (maximum and minimum air temperature, maximum and minimum relative humidity, wind speed and daily sunshine hours) which are required to calculate ETo with using FAO-56 PM method were considered as inputs and calculated ETo as output of the ANN in various scenarios. The results of this study showed that increasing the number of data in the input layers will not necessarily lead to improved outcomes of intelligence models. In case of weather data limitation, scenario 13 which was used maximum temperature and wind speed as input layer showed reliable results. 

کلیدواژه‌ها [English]

  • Reference Evapotranspiration
  • Weather data
  • Artificial Neural Network
  • FAO-Penman-Monteith
  • Lorestan
جهانگیر، ع.ر.، رائینی، م و ضیا احمدی، م.خ. 1387. شبیه­سازی فرآیند بارش- رواناب با استفاده از شبکه عصبی مصنوعی (ANN) با مدل  HEC-HMSدر حوضه معرف کارده. مجله آب و خاک (علوم وصنایع کشاورزی). 22.2: 72-84.

زارع­ابیانه، ح.، بیات­ورکشی، م.، معروفی، ص و امیری چایجان، ر. 1389. ارزیابی سیستم­های هوشمند عصبی در کاهش پارامترهای تخمین تبخیر و تعرق گیاه مرجع. مجله آب و خاک (علوم و صنایع کشاورزی). 24.2: 297-305.   

زارع­ابیانه، ح.، قاسمی، ا.، بیات­ورکشی، م و معروفی، ص. 1388. ارزیابی دقت شبکه عصبی مصنوعی در پیش­بینی تبخیر و تعرق گیاه سیر براساس داده­های لایسیمتری در منطقه همدان. نشریه آب و خاک، 23.3: 176-185.

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. مجله دانش آب و خاک، 19.1: 1- 12.

کوچک­زاده، م.، و بهمنی، ع. 1384. ارزیابی عملکرد شبکه­های عصبی مصنوعی در کاهش پارامترهای مورد نیاز، جهت برآورد تبخیر و تعرق مرجع. مجله علوم کشاورزی، 11.4: 87-96.

ملکی­نژاد،ح و پورمحمدی،س. 1392. تحلیل حساسیت تبخیر و تعرق گیاه مرجع با استفاده از تکنیک­های آماری و شبکه عصبی مصنوعی. فصلنامه پژوهش­های آبخیزداری (پژوهش و سازندگی). 101: 13- 24.

مهدوی،س.، رحیمی­خوب،ع و منتظر،ع.ا. 1390. مدل شبکه عصبی مصنوعی تبخیر ماهانه از تشت با استفاده از داده­های هواشناسی- مطالعه موردی منطقه حاشیه دریای خزر. مجله تحقیقات منابع آب ایران. 7.2: 71-79.

نورانی،و و سیاح­فرد،م. 1392. آنالیز حساسیت داده­های ورودی به شبکه عصبی مصنوعی به منظور برآورد مقدار تبخیر روزانه. مجله آب و فاضلاب، 24.3:88-100.

نوری،س.، فلاح قالهری،غ.ع و ثنایی­نژاد،س.ح. 1392. مدل­سازی تبخیر- تعرق گیاه پتانسیل با استفاده از شبکه عصبی مصنوعی با حداقل متغیرهای اقلیمی در ایستگاه سینوپتیک مشهد. نشریه پژوهش­های حفاظت آب و خاک، 20 .5: 163-178.

Allen, R.G., Periera, L.S., Raes, D and Smith, M. 1998. Crop evapotranspiration guide line for computing crop water requirement. FAO Irrigation and Drainage Paper 56. Rome, Italy, 300 pp.

Aytek, A. 2008. Co-active neuro-fuzzy inference system for evapotranspiration modeling. Soft computing-a fusion of foundations, Methodologies and Applications. 13.7:691-700. 

Basheer, I.A and Hajmeer, M. 2000. Artificial neural networks: fundamentals, computing, design, and application. Journal of Microbiological Methods. 43.1:3-31. 

Jain, S.K., Singh, V.P and van Genuchten, M.T.h.  2004.  Analysis of soil water retention data using artificial neural networks. Journal Hydrological Engineering ASCE. 9.5:415-420.

Kisi, O. 2004. Multi-layer perceptions with Levenberg–Marquardt training algorithm for suspended sediment concentration prediction and estimation. Journal Hydrological Science. 49.6:1025-1040. 

Kisi, O. 2006. Evapotranspiration estimation using feed-forward neural network. Nordic Hydrology. 37.3:247-260.

Kumar, M., Bandyopadhyay, A., Raghuwanshi, N.S and Singh, R. 2008. Comparative study of conventional and artificial neural network-based ETo estimation models. Journal Irrigation Science. 26.6:531-545.  

Kumar, M., Raghuwanshi, N.S., Singh, R., Wallender, W.W and Pruitt, W.O. 2002. Estimating evapotranspiration using artificial neural network. Journal Irrigation and Drainage Engineering ASCE. 128.4:224–233.

Landeras Ortiz, A and Javier Lopez, j. 2007. Comparison of artificial neural network models and empirical and semi empirical equation for daily reference evapotranspiration estimation in the Basque country (northern Spain). Agricultural Water Management. 95.5:553-565.                                                                                                                   

Lin, C.H., Chao, C and Chen, W.F. 2008. Estimation regional evapotranspiration by adaptive network-based fuzzy inference system for Dan-Shui basin in Taiwan. Journal of the Chinese Institute of Engineers. 30.6:1091-1096.

Moghaddamnia, A., Ghafari Gousheh, M., Piri, J., Amin, S., and Han, D. 2009. Evaporation estimation using artificial neural networks and adaptive neuro-fuzzy inference system techniques. Advances in Water Resources, 32.1:88–97.

Odhiambo, L.O., Yoder, R.E and Yoder, D.C. 2001a.  Estimating of reference crop evapotranspiration using fuzzy state models. Transactions of the ASABE. 44.3:543-550. 

Odhiambo, L.O., Yoder, R.E., Yoder, D.C and Hines, J.W. 2001b. Optimization of fuzzy evaporation model through neural training with input-output examples. Transactions of the ASABE. 44.6:1625-1633. 

Trajkovic, S and Kolakovic, S. 2009. Estimating reference evapotranspiration using limited weather data. Journal of Irrigation and Drainage. 135.4:433-449.   

Zanetti, S.S., Sousa, E.F., Olivera, V.P.S., Almeida, F.T and Bernardo, S. 2007. Estimating evapotranspiration using artificial neural network and minimum climatological data. Journal Irrigation and Drainage Engineering. 133.2:83-89.