شبیه‌‌سازی تبخیر-تعرق مرجع ماهانه بدون داده‌های اقلیمی با استفاده از محاسبات نرم در غرب و شمال‌غرب ایران
محورهای موضوعی : برگرفته از پایان نامه
سامان معروف پور
1
*
,
عیسی معروف پور
2
,
هادی ثانی خانی
3
1 - دانشجوی دکترای مدیریت و برنامه‌ریزی منابع آب، گروه آبیاری و آبادانی، دانشگاه تهران، کرج، ایران
2 - دانشیار گروه علوم و مهندسی آب، دانشگاه کردستان، سنندج، ایران
3 - استادیار گروه علوم و مهندسی آب، دانشگاه کردستان، سنندج، ایران
کلید واژه:
چکیده مقاله :
فرایند تبخیر- تعرق به عنوان یکی از مؤلفه‌های اصلی چرخه‌ی آب‌شناسی دارای اهمیت فراوانی در مدیریت و توسعه‌ی منابع آب، و نیز برنامه‌ریزی آبیاری می‌باشد. در تحقیق حاضر، به‌منظور براورد تبخیر-تعرق غرب و شمال غرب ایران، روش ترکیبی پنمن-مانتیث فائو-56 به‌عنوان مرجع در نظر گرفته‌شد، و دقـت چهار شبیه مختلف داده مبنا شامل، شبکه‌ی عصبی مصنوعی (ANN)، سامانه‌ی استنتاج تطبیقی فازی-عصبی (ANFIS) از دو نوع افراز شبکه (GP)، دستهبندی تفریقی (SC) و شبیه برنامه‌ریزی بیان ژن (GEP)، موردبررسی قرار گرفتند. به این منظور، مقادیر ضریب فصلی (شماره‌ی ماه)، عرض جغرافیایی، طول جغرافیایی و ارتفاع 12 ایستگاه در غرب و شمال غرب ایران جهت براورد تبخیر-تعرق به‌عنوان ورودی به شبیه‌‌ها معرفی شدند. برای شبیه‌های شبکه‌ی عصبی مصنوعی، فازی-عصبی از نوع افراز شبکه، و فازی-عصبی از نوع دستهبندی تفریقی حداکثر مقادیر ضریب تبیین (R2) به ترتیب 994/0، 998/0 و 997/0 در ایستگاه سنندج، و برای شبیه برنامه‌ریزی بیان ژن، 982/0 در ایستگاه خوی مشاهده شد. محدوده‌‌ی مقدار ریشه میانگین مربعات خطا (RMSE) برای شبیه شبکه‌ی عصبی مصنوعی، فازی- عصبی از نوع افراز شبکه، فازی عصبی از نوع دستهبندی تفریقی، و برنامه‌ریزی بیان ژن به ترتیب 311/0-551/1، 319/1-368/0، 80/1 -450/0 و 833/0 -435/0 میلی‌متر بر روز به دست آمدند. نتایج تحقیق بیانگر دقت بالای شبیه برنامه‌ریزی بیان ژن در پیش‌بینی تبخیر-تعرق متوسط مرجع ماهانه میباشند. بنابراین، شبیه GEP می‌تواند به‌عنوان شبیه‌ی ساده برای جایگزینی روابط تجربی جهت تخمین تبخیر-تعرق در پژوهش‌های بعدی مورد استفاده قرار گیرد.
Evapotranspiration (ET0), a major component of the hydrologic cycle, is important in water resources development and irrigation planning. The ET0 for west and northwest of Iran was estimated using the FAO Penman-Montieth method (FAO-56) as the reference. The performance of four different data-driven methods, namely the Artificial Neural Networks (ANN), Adaptive Neuro Fuzzy Inference System (ANFIS) with grid partition (GP), ANFIS with subtractive clustering (SC), and Gene Expression Programming (GEP) were investigated on the ET0 estimation. Latitude, longitude and altitude of stations, and the periodicity component were used as inputs to the applied models to predict the long-term monthly ET0 using the data from 12 stations in the west and northwest of Iran. The maximum coefficients of determination (R2) were found to be 0.994, 0.998 and 0.997 for the ANN, ANFIS-GP and ANFIS-SC models at the Sanandaj Station, respectively. The highest R2 (0.982) of the GEP model was calculated for the Khoy Station. The root mean squared error ranged 0.311-1.551, 0.368-1.319, 0.450-1.80 and 0.435-0.833 mm/day for the ANN, ANFIS-GP, ANFISSC and GEP models, respectively. The results revealed the high accuracy of the GEP in the prediction of ET0. Therefore, the GEP model can be applied as a simple method in future studies as an alternative to the use of empirical relationships for the ET0 estimation.