تحلیل حساسیت داده‌های هواشناسی در برآورد تبخیر و تعرق مرجع با حداقل داده‌های هواشناسی با استفاده از مدل‌های موجک- عصبی- فازی، ANN و ANFIS

الموضوعات :

احمدرضا کریمی پور ¹ , گلنوش بنی طالبی ²

1 - دانشگاه پیام نور، بخش فنی
2 - دانشگاه صنعتی اصفهان

تاريخ الإرسال : 27 الثلاثاء , ذو القعدة, 1440 تاريخ التأكيد : 18 الإثنين , رمضان, 1441 تاريخ الإصدار : 28 الخميس , رمضان, 1441

الکلمات المفتاحية: تحلیل حساسیت, انفیس, فائو پنمن مانتیث, موجک- عصبی- فازی,

ملخص المقالة :

هدف از مطالعه حاضر برآورد مقدار(ET0) در اقلیم نیمه مرطوب معتدل سرد و در یک دوره آماری 22 ساله با بکارگیری مدل موجک-عصبی-فازی با حداقل تعداد پارامترهای ورودی موثر بود. به منظور بررسی کارایی این مدل نتایج با مدل شبکه عصبی و انفیس مقایسه شد. آنالیز حساسیت داده‌های ورودی به سه روش هیل، ضریب تبیین و استات‌سافت انجام شد. آنالیز تحلیل حساسیت نشان داد که دما (T) (دمای مینیمم، ماکزیمم و میانگین)، (Rs)، (Ra)، سرعت باد در ارتفاع دو متری (U2) و (Rn) به عنوان پارامترهای اثرگذار بوده اند و ترکیب‌های مختلف این پارامترهای ورودی می‌تواند منجر به برآورد دقیق‌تر ET0 شود. بر اساس نتایج آنالیز حساسیت، شش ترکیب با پارامترهای مذکور انتخاب شد و دما در تمامی این ترکیب‌ها به عنوان متغیر ورودی به کار برده شد. با کاربرد سه پارامتر ورودی Tmin، Tmax و Rs و موجک sym8 مدل موجک-عصبی-فازی عملکرد بهتری نسبت به مدل شبکه عصبی دارد. براساس ضریب تبیین و مقدار خطای محاسبه شده برای شبکه عصبی و انفیس، ترکیب 7 پارامتر ورودی (Ra، Rn، Rs، U2 ،Tmean، Tmin و Tmax) و چهار پارامتر ورودی هواشناسی (Ra، U2، Tmean و Tmax) بیشترین دقت را در تخمین میزان ET0 در مقایسه با روش فائو پنمن مانتیث داشتند. نتایج همچنین نشان داد که بیشترین مقدار ضریب تبیین و کمترین مقدار خطا در بین موجک‌های مختلف مورد استفاده در مدل موجک-عصبی-فازی به ترتیب برای ترکیب‌های 7 و 3 پارامتر ورودی ((Tmax, Tmin, Rs بدست آمده است.

المصادر:

شیرانی، ح. 1396 . شبکه­های عصبی مصنوعی با قابلیت کاربرد در کشاورزی و علوم طبیعی. انتشارات دانشگاه ولیعصر رفسنجان. 320 صفحه.

Adamala, S. 2019. Nonlinear Evapotranspiration Modeling Using Artificial Neural Networks. In Advanced Evapotranspiration Methods and Applications. IntechOpen. pp: 1-24.

Adamala, S. Raghuwanshi, N.S. Mishra, A. and Singh, R. 2019. Generalized wavelet neural networks for evapotranspiration modeling in India. ISH Journal of Hydraulic Engineering. 25(2): 119-131.‏

Allawi, M.F. Binti Othman, F. Afan, H.A. Ahmed, A.N. Hossain, M. Fai, C.M. and El-Shafie, A. 2019. Reservoir Evaporation Prediction Modeling Based on Artificial Intelligence Methods. Water. 11(6). 1226.

Alves, W.B. Rolim, G.D.S. and Aparecido, L.E.D.O. 2017. Reference evapotranspiration forecasting by artificial neural networks. Engenharia Agrícola. 37 (6): 1116-1125.‏

Arca, B. Beniscasa, F. and Vincenzi, M. 2001. Evaluation of neural network techniques for estimating evapotranspiration. Evolving Solution with Neural Networks. 62-97.‏

Benzaghta, M.A. Mohammed, T. A. Ghazali, A.H. and Soom, M.A. M. 2012. Prediction of evaporation in tropical climate using artificial neural network and climate-based models. Scientific Research and Essays. 7(36): 3133-3148.

Ghorbani, A.M. Kazempour, R. Chau, K.W. Shamshirband, S. and Taherei Ghazvinei, P. 2018. Forecasting pan evaporation with an integrated artificial neural network quantum-behaved particle swarm optimization model: A case study in Talesh, Northern Iran. Engineering Applications of Computational Fluid Mechanics. 12 (1): 724-737.

Goyal, M. K., Bharti, B., Quilty, J., Adamowski, J., and Pandey, A. 2014. Modeling of daily pan evaporation in sub-tropical climates using ANN, LS-SVR, Fuzzy Logic, and ANFIS. Expert systems with applications, 41(11): 5267-5276.

Hamraz, B.S. Akbarpour, A. and Pour Reza bilandi, M. 2016. Sensitivity analysis in groundwater model. Aquifer and aqueduct Journal. 1(1): 50-60.

Hill, M.C. and Tiedeman, C.R. 2006. Effective groundwater model calibration: with analysis of data, sensitivities, predictions, and uncertainty. John Wiley and Sons.

Hornik, K. Stinchcombe, M. and White, H. 1989. Multilayer feed forward networks are

universal approximations. Neural Network. 2: 359–366.

Jain, S.K. Nayak, P.C. and Sudheer, K. P. 2008. Models for estimating evapotranspiration using artificial neural networks and their physical interpretation. Hydrology Process. 22: 2225-2234.

Kisi, O. 2006. Daily pan evaporation modeling using a neuro-fuzzy computing technique. Journal of Hydrology. 329 (3-4): 636-646.

Kumar, M. Bandyopadhyay, A. Raghuwanshi, N.S. and Singh, R. 2008. Comparative study of conventional and artificial neural network-based ET0 estimation models. Irrigation Science. 26(6): 531.

Laaboudi, A., Mouhouche, B. and Draoui, B. 2012. Neural network approach to reference evapotranspiration modeling from limited climatic data in arid regions. International journal of biometeorology, 56(5): 831-841.

Odhiambo, L.O. Yoder, R.E. and Yoder, D.C. 2001. Estimation of reference crop evapotranspiration using fuzzy state models. Transactions of the ASAE. 44(3): 543-550.

Pianosi, F. Beven, K. Freer, J. Hall, J.W. Rougier, J. Stephenson, D.B. and Wagener, T. 2016. Sensitivity analysis of environmental models: A systematic review with practical workflow. Environmental Modeling and Software. 79: 214-232.

Qasem, S.N. Samadianfard, S. Kheshtgar, S. Jarhan, S. Kisi, O. Shamshirband, S. and Chau, K.W. 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): 177-187.‏

Razavi, S. and Gupta, H.V. 2015. What do we mean by sensitivity analysis? The need for comprehensive characterization of “global” sensitivity in Earth and Environmental systems models. Water Resources Research. 51(5): 3070-3092.

Riahi-modavar, H. and Ayoubzadeh, S.A. 2008. Estimation of Longitudinal Dispersion Coefficient Using Comparative Neuro-Fuzzy Inference System. Water and Wastewater Journal. 67: 34-46.

SAMMEN, S.S. 2013. Forecasting of evaporation from Hemren reservoir by using artificial neural networks. Diyala Journal of Engineering Sciences. 6(4): 38-53.

Terzi, O. and Keskin, M.E. 2010. Comparison of artificial neural networks and empirical equations to estimate daily pan evaporation. Irrigation and drainage. 59(2): 215-225.

Trajkovic, S. and Kolakovic, S. 2009. Estimating reference evapotranspiration using limited weather data. Journal of irrigation and drainage engineering. 135(4): 443-449.

Valipour, M. 2017. Analysis of potential evapotranspiration using limited weather data. Applied Water Science. 7(1): 187-197

Zanetti, S.S. Sousa, E.F. Oliveira, V.P. Almeida, F. T. and Bernardo, S. 2007. Estimating evapotranspiration using artificial neural network and minimum climatological data. Journal of Irrigation and Drainage Engineering. 133(2): 83-89.