برآورد تبخیر و تعرق گیاه مرجع با استفاده از ANN و ANFIS در اقلیم نیمه‌خشک و خشک

نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه مهندسی آب، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات تهران

2 استاد گروه گروه علوم و مهندسی آب، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران

3 دانشیار گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران

4 استادیار گروه صلوم و مهندسی آب، واحد صلوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران

چکیده

برآورد میزان ﺗﺒﺨﯿﺮ و ﺗﻌﺮق (ETo) که ﯾﮑﯽ از ﻣﺆﻟﻔﻪ‌ﻫﺎی ﭼﺮﺧﻪ ﻫﯿﺪروﻟﻮژﯾﮏ و هم چنین پارامتری موثر در برنامه‌ریزی آبیاری است، از اهمیت بالایی برخوردار است اما اکثر اوقات محدودیت و یا کمبود داده‌های هواشناسی مانع می‌شود تا بتوان از روش پیشنهادی فائو پنمن مانتیث برای برآورد ETo استفاده کرد. در ﻣﻄﺎﻟﻌﻪ ﺣﺎﺿﺮ ﺑﻪ ﺑﺮرﺳﯽ ﻗﺎﺑﻠﯿﺖ شبکه عصبی مصنوعی (ANN) و ﺳﯿﺴﺘﻢ اﺳﺘﻨﺘﺎج ﻋﺼﺒﯽ ﻓﺎزی ﺗﻄﺒﯿﻘﯽ (ANFIS) در ﺑﻬﺒﻮد ﺗﺨﻤﯿﻦ ﻣﯿﺰان ETo در شرایط کمبود داده پرداخته شده است. داده‌ﻫﺎی اﻗﻠﯿﻤﯽ در این مطالعه ﺷﺎﻣﻞ ساعت تابش، ﺳﺮﻋﺖ ﺑﺎد، دﻣﺎی ﻫﻮای حداقل، حداکثر و متوسط می‌ﺑﺎﺷﺪ ﮐﻪ در پهنای اقلیمی خشک و نیمه‌خشک از 12 اﯾﺴﺘﮕﺎه سینوپتیک اﺧﺬ ﮔﺮدﯾﺪه و ﺑﻪ ﻋﻨﻮان ورودی‌ﻫﺎی ﻣﺪل ﺑﺮ اﺳﺎس ﻣﻌﺎدﻟﻪ FAO56-PM در سه حالت ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار ﮔﺮفت. ﻧﺘﺎﯾﺞ ﺣﺎﺻﻞ از ارزیابی مدل‌ها نشان داد که روش‌های هوش مصنوعی نتایج بهتری را نسبت به روش‌های تجربی ارائه می‌دهند همچنین هر دو مدل ANN و ANFIS با داده‌های ورودی دمای متوسط و سرعت باد بهترین نتایج را ارائه می‌دهند و پس از آن به ترتیب ورودی‌های دمای حداقل و حداکثر و ورودی‌های دمای متوسط و ساعت تابش قرار می‌گیرند و بین دو مدل ANN و ANFIS، مدل ANFIS نتایج بهتری را نشان داد.

کلیدواژه‌ها


عنوان مقاله [English]

Estimation of Reference Crop Evapotranspiration Using ANN and ANFIS in Semi-Arid and Dry Climates

نویسندگان [English]

  • Mohaddeseh Bidabadi 1
  • Hossein Babazadeh 2
  • Jalal Shiri 3
  • Ali Saremi 4
1 Department of Water Science and Engineering, Science and Research Branch, Tehran, Iran
2 Professor, Department of Water Science and Engineering, Science and Research Branch, Azad University, Tehran, Iran
3 Associate Professor, Department of Water Engineering, Faculty of Agriculture, University of Tabriz, Tabriz, Iran
4 Assistant Professor, Department of Water Science and Engineering, Science and Research Branch, Azad University, Tehran, Iran
چکیده [English]

Estimation of evapotranspiration, which is one of the components of the hydrological cycle and also an effective parameter in irrigation planning, is very important, but often the limitation or lack of meteorological data prevents to use of the proposed method of FAO Penman-Monteith. In the present study, Artificial Neural Network (ANN) and Adaptive-Network-Based Fuzzy Inference System (ANFIS) are discussed in Improvement of estimates the ETo data in the absence of data. Climatic data in this study include radiation hours, wind speed, minimum, maximum, and average air temperature, which were used as model inputs based on the FAO56-PM equation in three stances. The data were obtained from 12 synoptic stations in arid and semi-arid climates. The results of evaluating the models showed that artificial intelligence methods provide better results than experimental methods. Also, both ANN and ANFIS models provide the best results with average temperature and wind speed input data, followed by minimum and maximum temperature inputs, medium temperature inputs and irradiation hours, respectively. Between ANN and ANFIS models, the ANFIS model Showed better results.

کلیدواژه‌ها [English]

  • Adaptive neuro-fuzzy inference system
  • Arid and Semi-Arid Climates
  • Artificial neural network
  • Evapotranspiration
  • Kerman synoptic station
احمدزاده قره گویز، ک.، میرلطیفی، س. م. و محمدی، ک. 1389. مقایسه سیستم‌های هوش مصنوعی (ANN و ANFIS) در تخمین میزان تبخیر-تعرق گیاه مرجع در مناطق بسیار خشک ایران. نشریه آب و خاک. 24(4): 679-689.
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): 131-144.
حقی زاده، ع.، یوسفی، ح.، ابراهیمیان، ط. و یاراحمدی، ی. 1398. مقایسه مدل هیبریدی ANFIS-PSO و مدل تجربی تورک در تخمین تبخیر و تعرق مرجع (مطالعه موردی: پلدختر-لرستان). اکوهیدرولوژی. 6(3): 685-694.
دهقانی، ن.، وفاخواه، م. و بهره‌مند، ع. 1395. مدل‌سازی بارش- رواناب با استفاده از شبکه عصبی مصنوعی و شبکه فازی- عصبی تطبیقی در حوزه آبخیز کسیلیان. پژوهشنامه مدیریت حوزه آبخیز. 7(13): 128-137.
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، نرو فازی و درخت تصمیم‌گیری M5 (مطالعه موردی؛ ایستگاه سینوپتیک شیراز). تحقیقات منابع آب ایران. 15(1): 365-371.
سبزی پرور، ع.، و بیات ورکشی، م. 1389. ارزیابی دقت روش‌های شبکه عصبی مصنوعی و عصبی- فازی در شبیه‌سازی تابش کل خورشیدی. مجله پژوهش فیزیک ایران. 10(4): 347-357.
طاووسی، ت.، خواجه امیری خالدی، چ. و سالاری قنودی، م. ر. 1399. بازنگری طبقه‌بندی اقلیمی کشور ایران بر پایه متغییرهای اقلیمی. نشریه مدیریت بیابان. 16: 17-36.
فقیه، ه. 1394. ارزیابی شبکه عصبی مصنوعی و مدل‌های فیزیکی تجربی تخمین تبخیر- تعرق گیاه مرجع در آب و هوای نیمه‌خشک. نشریه دانش آب و خاک. 25(2): 137-152.
قره خانی، م. ندیری، ع. ا. و اصغری مقدم، ا. 1396. استفاده از مدل هوش مصنوعی مرکب نظارت‌شده برای بهبود مدل دراستیک (مطالعه موردی: آبخوان دشت اردبیل). علوم زمین. 26(104): 113-124.
کریمی، س.، شیری،ج. و ناظمی،ا. ح. 1392. تخمین تبخیر و تعرق روزانه گیاه مرجع با استفاده از سیستم‌های هوش مصنوعی (ANN و ANFIS) و معادله‌های تجربی. نشریه دانش آب و خاک. 23(2): 139-158.
کریمی پور، ا. و بنی طالبی، گ. 1399. تحلیل حساسیت داده‌های هواشناسی در برآورد تبخیر و تعرق مرجع با حداقل داده‌های هواشناسی با استفاده از مدل‌های موجک- عصبی- فازی، ANN و ANFIS. نشریه حفاظت منابع آب و خاک. 9(3): 47-71.
معدنچی، پ.، شاهدی، ک.، حبیب نژاد، م.، سلیمانی، ک. وفاتحی مرج، ا. 1398. پهنه‌بندی خشک‌سالی‌های اقلیمی و بزرگی خشک‌سالی با استفاده از شاخص SPI و روش زمین‌آمار کریجینگ (مطالعه موردی: استان کرمان). نشریه علمی پژوهشی مهندسی آبیاری و آب ایران. 10(38): 205-228.
معروف پور، س.، معروف پور، ع. و ثانی خانی، ه. 1396. شبیه‌سازی تخیر-تعرق ماهانه بدون داده‌های اقلیمی با استفاده از محاسبات نرم در غرب و شمال غرب ایران. مجله مهندسی منابع آب. 10(34): 37-50.
Algretawee H. and Alshama GH. 2021. Modeling of Evapotranspiration (ETo) in a Medium Urban Park within a Megacity by Using Artificial Neural Network (ANN) Model. Periodica Polytechnica Civil Engineering, https://doi.org/10.3311/PPci.18187.
Allen RG., Pereira LS., Raes D. and Smith M. 1998. Crop evapotranspiration. Guide lines for computing crop evapotranspiration. FAO Irrigation and Drainage Paper No 56. Rome, Italy.
Balmat J. F., Lafont F., Moussa Ali A., Pessel N. and Fernandez J., C., R. 2019. Proceedings of the 3rd International Conference on Machine Learning and Soft Computing. Pages 203– 05. https://doi.org/10.1145/3310986.3310987
Gonzalez del Cerro R. T., Subathra M. S. P., Kumar N. M., Verrastro S. and George S. TH. 2021. Modelling the daily reference evapotranspiration in semi-arid region of South India: A case study comparing ANFIS and empirical models. Information Processing in Agriculture. 8(1): 173-184.
Shiri J., Dierickx W., Pour-Ali Baba A., Neamati S. and Ghorbani MA. 2011. Estimating daily pan evaporation from climatic data of the State of Illinois, USA using adaptive neuro-fuzzy inference system (ANFIS) and artificial neural networks (ANN). Hydrology Research. 42(6): 491-502