برآورد تبخیر روزانه از تشت تبخیر با استفاده از روش های یادگیری ماشینی

نوع مقاله: مقاله پژوهشی

نویسندگان

1 گروه مهندسی آب، دانشگاه تبریز

2 دانشجوی کارشناسی مهندسی آب، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز

چکیده

تبخیر یکی از اصلی‌ترین فرایندها در چرخه‌ی آبی طبیعت و یکی از مهمترین عوامل در مطالعات کشاورزی، هیدرولوژیکی، هواشناسی، بهره‌برداری مخازن، طراحی سیستم‌های آبیاری و زهکشی، زمان‌بندی آبیاری و مدیریت منابع آب می‌باشد. بنابراین شبیه‌سازی هرچه دقیق‌تر مقدار تبخیر از اهمیت بالایی در مطالعات هیدرولوژیکی برخوردار است. در این راستا و در تحقیق حاضر، از روش‌های هوشمند برنامه‌ریزی ژنتیک، رگرسیون بردار پشتیبان و شبکه عصبی مصنوعی برای برآورد و شبیه‌سازی مقادیر تبخیر از تشت در ایستگاه‌های هواشناسی تبریز و جلفا استفاده شده‌است بدین منظور، از داده‌های هواشناسی تبخیر، دما، رطوبت نسبی، سرعت باد و تابش خورشیدی ایستگاه‌های مذکور در بازه زمانی بیست ساله (1390-1371) استفاده شده و دقت روش‌های مورد مطالعه با استفاده از پارامترهای آماری جذر میانگین مربعات خطا، میانگین خطای مطلق، ضریب همبستگی و همچنین دیاگرام تیلور مورد بررسی قرار گرفت. نتایج حاصل از این پژوهش نشان دادند که در بهینه‌ترین حالت و به‌ترتیب در ایستگاه‌های تبریز و جلفا، برنامه‌ریزی ژنتیک با دارا بودن خطای 2.18 و 2.68، رگرسیون بردار پشتیبان با خطای 2.19 و 2.22 و شبکه عصبی مصنوعی با خطای 2.14 و 2.21 عملکرد مناسبی در شبیه سازی مقدار تبخیر داشته‌اند. در نهایت برای ایستگاه تبریز سناریو دوم روش شبکه عصبی مصنوعی با پارامترهای ورودی دما و سرعت باد و برای ایستگاه جلفا سناریو هفتم روش شبکه عصبی مصنوعی با پارامترهای ورودی دما، رطوبت نسبی، سرعت باد و تابش خورشیدی و دارا بودن بهترین عملکرد، به عنوان مدل‌هایی با دقت مناسب برای شبیه سازی مقدار تبخیر از تشت پیشنهادگردید.

کلیدواژه‌ها


عنوان مقاله [English]

Estimating daily pan evaporation using machine learning methods

نویسندگان [English]

  • Saeed Samadianfard 1
  • Sajjad Hashemi 2
  • Mojtaba Izadyar 2
1 Assistant Professor, Department of Water Engineering, Faculty of Agriculture, University of Tabriz, Tabriz, Iran
2 B.S student, Department of Water Engineering, Faculty of Agriculture, University of Tabriz, Tabriz, Iran
چکیده [English]

Evaporation is the one of main processes in the hydrological cycle, and one of the most important factors in the related studies, namely agriculture, hydrology, aerology, exploitation of reservoirs, designing of irrigation and drainage systems, irrigation scheduling, and water resources management. Therefore, accurate simulation of evaporation rates has of the high importance in hydrology researches. In this regard, intelligent methods of Genetic Programming, Support Vector Regression, and Artificial Neural Networks have been used for evaluation and simulation of the pan evaporation rates over Tabriz and Golfa synoptic stations, in the present research. For this purpose, meteorological data including evaporation, temperature, relative humidity, wind speed, and solar radiation during the period of 1993-2013 were used and the accuracy of studied methods were investigated by using statistical parameters of root mean square error, mean absolute error, correlation coefficient and Taylor diagram. The results showed that in the optimum case of Tabriz and Golfa stations, genetic programming with error of 2.18 and 2.68, support vector regression with error of 2.19 and 2.22, and artificial neural network with error of 2.14 and 2.21, respectively, had reasonable performance in evaporation simulation. Conclusively, the second scenario of artificial neural network method through the input parameters of temperature and wind speed and the seventh scenario of artificial neural network method through the input parameters of temperature, humidity, wind speed, and solar radiation by having the best performance, were suggested as the accurate models with reasonable precision for simulating pan evaporation at Tabriz and Golfa stations, respectively.

کلیدواژه‌ها [English]

  • Artificial Neural Network
  • Kernel Functions
  • statistical analysis
  • Water Resources Management

اسدپور اصل،ر.، ستاری،م. 1394. پیش­بینی عمق حفره آبشستگی اطراف پایه پل با استفاده از روش رگرسیون ماشین بردار پشتیبان. دهمین کنگره بین المللی مهندسی عمران. ایران.

رحیمی­خوب،ع. 1386. تدوین مدل شبکه عصبی مصنوعی تبخیر از تشت با حداقل داده هواشناسی. نهمین سمینار سراسری آبیاری و کاهش تبخیر، کرمان، ایران.

زارع ابیانه،ح.، مقدم­نیا،ع.، بیات ورکشی،م.، قاسمی،ع. 1389. تغییرات مکانی تبخیر از تشت و مقایسه آن با مدل­های برآورد تبخیر در ایران. دانش آب و خاک. 20. 1: 113-130.

ستاری،م.ت.، اسمعیل­زاده،ب. 1395. مقایسه نتایج مدل درختی M5 و برنامه­ریزی ژنتیک با روش پنمن – مانتیث - فائو برای تخمین تبخیر - تعرق مرجع. مهندسی منابع آب. 9. 31: 11-20.

سلطانی،ع.، قربانی،م.ع.، فاخری­فرد،ا.، دربندی،ص.، فرسادی­زاده،د. 1389. برنامه­ریزی ژنتیک و کاربرد آن در مدل­سازی فرآیند بارش- رواناب. دانش آب و خاک جلد 20 . 1: 61-71.

شایان­نژاد،م.، ساداتی­نژاد،س.ج. 1387. تخمین تبخیر و تعرق پتانسیل روزانه گیاه مرجع چمن با استفاده از شبکه­های عصبی مصنوعی. مرتع. 2: 182-194.

صمدیان­فرد،س.، اسدی،ا. 1396. پیش­بینی نمایه خشک­سالی SPI به رگرسیون بردار پشتیبان و خطی چندگانه. حفاظت منابع آب و خاک. 4: 1-16.

غضنفری هاشمی،س.، اعتماد شهیدی،ا. 1391. پیش­بینی عمق آبشستگی اطراف پایه پل با استفاده ازماشین­های بردار پشتیبان. عمران مدرس. 2: 23-37.

فلاح قالحری،غ.، شاکری،ف. 1394. کاربرد شبکه عصبی مصنوعی در پیش­بینی بارش زمستانه. علوم و مهندسی آبخیزداری ایران. 9. 31: 99-110.

قره­خانی،ا.، قهرمان،ن.، بذر افشان،ج. 1389. مطالعه روند تغییرات تبخیر از تشت در گستره اقلیمی ایران. پژوهش­های آبخیزداری. 98: 85-97.

کارآموز،م.، عراقی­نژاد،ش. 1393. هیدرولوژی پیشرفته. انتشارات دانشگاه صنعتی امیرکبیر. تهران. ایران.

منهاج،م.ب. 1384. مبانی شبکه­های عصبی (هوش محاسباتی). چاپ سوم. انتشارات دانشگاه صنعتی امیرکبیر.

مهدوی،س.، رحیمی­خوب،ع.، منتظر،ع.ا. 1390. مدل شبکه عصبی مصنوعی تبخیر ماهانه از تشت با استفاده از داده­های هواشناسی- مطالعه موردی منطقه حاشیه دریای خزر. تحقیقات منابع آب ایران. 2: 71-79.

Boser,B.E., Guyon,I.M and Vapnik,V.N. 1992. A training algorithm for optimal margin classiers. In D.Haussler, editor, 5th Annual ACM Workshop on COLT. Pittsburgh, PA. 144-152.

Gleckler,P.J., Taylor,K.E and Doutriaux,C. 2008. Performance metrics for climate models. Journal of Geophysical Research: Atmospheres. 113.D6: 1-20.

Koza,J.R. 1992. Genetic Programming: On the Programming of Computers by Means of Natural Selection. MIT Press. pp, 813.

Taylor,K.E. 2001. Summarizing multiple aspects of model performance in a single diagram. Journal of Geophysical Research: Atmospheres. 106: 7183–7192.

Terzi,O. 2010. Modeling of daily pan evaporation of lake Egirdir using data-driven techniques. International symposium on innovations in Intelligent systems and Applications. Istanbul. Turkey. 320-324.

Vapnik,V. 1995. The Nature of Statistical Learning Theory. Springer, New York. pp, 314.

Vapnik,V., Golowich,S., Smola,A. 1997. Support vector method for function approximation, regression estimation, and signal processing. In: Mozer, M., Jordan, M., Petsche, T. (Eds.), Advances in Neural Information Processing Systems. MIT Press, Cambridge. 9: 281–287.