برآورد میزان تبخیر روزانه با استفاده از شبکه عصبی مصنوعی در شهرستان‌های شیراز و زرقان

الموضوعات : فصلنامه علمی برنامه ریزی منطقه ای

محمد شعبانی ¹ (استادیار گروه مهندسی آب، واحد مرودشت، دانشگاه آزاد اسلامی، مرودشت، ایران)

تاريخ الإرسال : 20 الإثنين , رجب, 1443 تاريخ التأكيد : 03 الإثنين , رمضان, 1443 تاريخ الإصدار : 24 السبت , ذو الحجة, 1443

الکلمات المفتاحية: شبکه عصبی مصنوعی, تبخیر, تعمیم‌پذیری مدل, شهرستان شیراز, شهرستان زرقان,

ملخص المقالة :

تبخیر یکی از مهمترین اجزای چرخه هیدرولوژی می‌باشد که نقش بسیار مهمی در مدیریت منابع آب و محیط زیست دارد. اطلاع از میزان هدر‌ رفت آب در اثر فرآیند تبخیر در یک منطقه بالاخص در مناطق خشک و نیمه خشک که با کمبود منابع آب مواجه هستند، یکی از مهمترین اصول مدیریتی در برنامه‌ریزی منطقه‌ای است. هدف از انجام این تحقیق ارزیابی دقت روش شبکه عصبی مصنوعی در برآورد تبخیر روزانه در ایستگاه هواشناسی شهرستان شیراز و قابلیت تعمیم آن در ایستگاه هواشناسی شهرستان زرقان واقع در استان فارس می‌باشد. برای این منظور تعداد 1775 داده هواشناسی روزانه شامل دما، رطوبت نسبی، سرعت باد، ساعت آفتابی جمع‌آوری و مقدار تبخیر روزانه با استفاده از چهار مدل شبکه عصبی مصنوعی برآورد گردید. جهت مدل‌سازی در این تحقیق از شبکه عصبی پرسپترون چند لایه و تابع سیگموئیدی استفاده گردید. نتایج بدست آمده از چهار مدل شبکه عصبی مصنوعی بر اساس معیارهای ضریب تعیین (R2)، ضریب ناش-ساتکلیف (NSC) و مجذور میانگین مربعات خطا (RMSe) مورد ارزیابی قرار گرفتند. نتایج نشان داد که در ایستگاه هواشناسی شیراز مدل 4 با ساختار 1-6-5 نرون، دارای RMSe کمتر و R2 و NSC بالاتر در هر دو مرحله آموزش و آزمون نسبت به دیگر مدل‌ها می باشد و به عنوان مدل برتر جهت پیش‌بینی میزان تبخیر روزانه در شهرستان شیراز انتخاب گردید. نتایج حاصل از تعمیم‌پذیری مدل 4 با ساختار 1-6-5 در ایستگاه هواشناسی زرقان نیز نشان از دقت بالای این مدل در پیش‌بینی تبخیر روزانه در این ایستگاه دارد. بنابراین می توان از مدل 4 به عنوان مدل مناسب جهت پیش‌بینی مقادیر تبخیر روزانه در شهرستان زرقان برای دوره‌هایی که اندازه‌گیری تبخیر انجام نشده است، استفاده نمود.

المصادر:

Alsumaiei A A. (2019). Utility of Artificial Neural Networks in Modeling Pan Evaporation in Hyper-Arid Climates, Water, 12 (1508), PP:1-17.

Babita, M, Diwakar, N. (2021). Pan evaporation modeling in different agro-climatic zones using functional link artificial neural network, Information Processing in Agriculture,  8(1), PP: 134-147.

Biazar, S M,  Ghorbani, M A, Shahedi, K. (2019). Uncertainty of Artificial Neural Networks for Daily Evaporation Prediction (Case Study: Rasht and Manjil Stations), Journal of Watershed Management Research, 10 (19), PP: 1-12. [In Persian]

Chang, F J, Chang, K Y, Chang, L C. (2008). Counter propagation fuzzy-neural network for city flood control system, Journal of Hydrology, 358 (1–2), PP: 24–34.

Chang, F J, Sun, W, Chung, C H. (2013). Dynamic factor analysis and artificial neural network for estimating pan evaporation at multiple stations in northern Taiwan, Hydrological Sciences Journal, 58 (4), PP: 813–825.

Dehghani, A A, Piri, M, Hesam, M, Dehghani, D. (2011). Estimation of Daily Pan Evaporation by Using MLP,RBF and Recuurent Neural Networks, Journal of Water and Soil Conservation, 17 (2), PP: 49-67. [In Persian]

Deswal, S, Pal, M. (2008). Artificial neural network-based modeling of evaporation losses in reservoirs, World academy of Science, Engineering and Technology, 39, PP: 279-383.

Dou,X, Yang, Y. (2018). Evapotranspiration estimation using four different machine learning approaches in different terrestrial ecosystems, Computers and Electronics in Agriculture 148 (2018), PP: 95–106.

Goel, A. (2009). ANN based modeling for prediction of evaporation in reservoirs, Internatinal Journal of Engineering, 22(4), PP: 351-358.

Kashefipour, S M. (2003). Use of Artificial Neural Networks (ANNs) in River Engineering, River Engineering Conference, January 2003, Ahwaz, IRAN, PP: 1-10. [In Persian]

Kashefipour, S M. (2007). Modeling Longitudinal Dispersion in Open Natural Channels Using Anns, Journal of Hydraulics,  (3), PP: 15-25. [In Persian]

Keskin, M E, Terzi Ö. (2006). Artificial neural network models of daily pan evaporation, Journal Hydrology Engineering, 11(1), pp:65–70.

Khrshieddoust, A M, Mirhashemi, H, Nazari, M. (2019). Estimating evapotranspiration using neural networks and genetic algorithms (case study:Tabriz station), Journal of Geography and Planning, 23 (68), PP: 71-90. [In Persian]

KişI, Ö. (2009). Daily pan evaporation modelling using multi-layer perceptrons and radial basis neural networks, Hydrol Process, 23, PP:213–23.

Kişi, Ö. (2013). Evolutionary neural networks for monthly pan evaporation modeling, Journal Hydrology Engineering, 498, pp:36–45.

Landeras, G, Ortiz-Barredo, A, Lopez, J J. (2008). Comparison of artificial neural network models and empirical and semi-empirical equations for daily reference evapotranspiration estimation in the Basque Country (NorthernSpain), ournal of Agricultural Water Management, 95 (5), 553–565.

Maier, H R, Dandy, G C. (2000). Neural networks for the prediction and forecasting of water resources variables: a review of modelling issues and applications, Environmental Modelling and software, 15(1), PP: 101-24.

Mansouri, N. (2012). Environmental Pollution (Air, Water and Wastewater, Solid Waste and Noize), Arad Ketab Publication, First ed, Iran.

Mohamadi, S, Ehteram,M, El‑Shafie, A. (2020. Accuracy enhancement for monthly evaporation predicting model utilizing evolutionary machine learning methods, International Journal of Environmental Science and Technology, Volume 17, issue 7, Pages: 3373 – 3396.

Nourani, V, Elkiran, G, Abdullahi, J. (2019). Multi-station artificial intelligence-based ensemble modeling of reference evapotranspiration using pan evaporation measurements, Journal of Hydrology, 577, pp: 1-20.

Nourani, V, Sayyah Fard, M. (2013). Sensitivity Analysis of ANN Inputs in Estimating Daily Evaporation, Journal of Water and Wastewater, 24(3), PP: 88-100. [In Persian]

Ozkan, C, Kisi, O, Akay, B. (2011). Neural networks with artificial bee colony algorithm for modeling daily reference evapotranspiration, Irrigation Science, 29 (6), PP: 431–441.

Piri, J, Mohammadi, K, Shamshirband, S, Akib, S. (2016). Expression of concern: assessing the suitability of hybridizing the Cuckoo optimization algorithm with ANN and ANFIS techniques to predict daily evaporation, Environmental Earth Sciences , 78(8), PP: 8.

 Qasem, S N, Samadianfard S, Kheshtgar, S, Jarhan, S. (2019). Modeling monthly pan evaporation using wavelet support vector regression and wavelet artificial neural networks in arid and humid climates, Engineering Applications of Computational Fluid Mechanics, 13 (1), PP:177-187.

Razavizadeh, S, Dargahian, F. (2019). Optimization of Artificial Neural Network Structure in  Prediction of Sediment Discharge Using Taguchi Method, Iiranian Journal of Watershed Management Science and Engineering, 12 (43), PP: 2019. 89-97. [In Persian]

Seyed Vahid Shahoei, S V, Porhemmat, J, Sedghi, H, Hosseini, M, Saremi, A. (2018). Monthly runoff simulation through SWAT hydrological model and evaluation of model in calibration and validation periods, case study: Ravansar Sanjabi Basin in Kermanshah Province, Iran Journal of Watershed Engineering and Management, 10 (3), PP: 464-477. [In Persian]

Shabani,M. (2013).The accuracy evaluation of artificial neural networks in estimating instantaneous peak flow, Case study: Fars province watersheds, Watershed Engineering and Management, 4(4), pp: 180-187. [In Persian]

Shahi1, S, Mousavi1, S F, Hosseini, K H. (2021). Simulation of Pan Evaporation Rate by ANN Artificial Intelligence Model in Damghan Region, Journal of Soft Computing in Civil Engineering, 5 (3), PP: 75-87.

Shamsodini, A, Shakoor, A, Gorjian, P. (2013). An analysis of the living conditions of rural migrants in cities (Case study: Rostam village 2- Rostam city), Quarterly Journal of based Territorial Planning, (20), PP: 75-110. [In Persian]

Sudheer, K P, Gosain, A K, Mohana Rangan, D, Saheb, S M. (2002). Modelling evaporation using an artificial neural network algorithm,Hydrological Processes, 16(16), pp:3189–3202.

Tabari, H, Marofi, S, Savziparvar, A A. (2010). Estimation of daily pan evaporation using artificial neural networks and multivariate non-linear regression, Journal. of Irrigation. Science, 28, 399-406. [In Persian]

Trajkovic, S, Kolakovic, S. (2010). Comparison of simplified panbased equations for estimating reference evapotranspiration, Journal of Irrigation and Drainage Engineering, 136 (2), PP: 137–140.

Wang, K, Dickinson, R E. (2012). A review of global terrestrial evapotranspiration: Observation, modeling, climatology, and climatic variability. Reviews. Geophysics, 50 (2), pp:1-54.

Wang, L, Kisi, O, Zounemat-Kermani, M, Li, H. (2017). Pan evaporation modeling using six different heuristic computing methods in different climates of China, Journal of Hydrol, 544, pp: 407–427.

Warnaka, K, Pochop, L. (1988). Analyses of equations for freewater evaporation estimates, Water Resources Research, 24 (7), PP: 979–984.

Yang, C T, Marsooli, R, Aalami, M T. (2009). Evaluation of total load sediment transport formulas using ANN, International Journal of Sedime