بهبود دقت روش هارگریوز در برآورد تبخیر- تعرق مرجع به کمک ضریب اصلاحی با مدل شبکه عصبی مصنوعی و درخت تصمیم M5

محورهای موضوعی : هیدرولوژی

امید محترمی ¹ , سید محمدرضا حسینی ² , روح الله فتاحی ³ , تیمور سهرابی ⁴

1 - دانشگاه تهران، دانشکده مهندسی و فناوری کشاورزی، گروه مهندسی آبیاری و آبادانی
2 - گروه مهندسی آب، اراک. دانشگاه اراک، اراک، ایران
3 - گروه مهندسی آب، شهرکرد. دانشگاه شهرکرد، شهرکرد، ایران
4 - گروه آبیاری و آبادانی،تهران، دانشگاه تهران، تهران، ایران

تاریخ دریافت : 1396/12/08 تاریخ پذیرش : 1397/03/08 تاریخ انتشار : 1397/06/01

کلید واژه: شبکه عصبی مصنوعی, داده کاوی, تبخیر و تعرق مرجع, مدل درختی M5,

چکیده مقاله :

تبخیر- تعرق یکی از مهم ترین اجزای چرخه هیدرولوژی است که مدلسازی آن در مدیریت منابع آب نقش مهمی دارد. در تحقیق حاضر امکان بهبود دقت برآورد تبخیر- تعرق روش هارگریوز به کمک ضریب اصلاحیK با استفاده از مدل شبکه عصبی مصنوعی و مدل درخت تصمیم M5 مورد بررسی قرار گرفت. این ضریب برابر با نسبت تبخیر- تعرق مدل پنمن مونتیث فائو به روش هارگریوز می باشد. داده های مورد استفاده این تحقیق عبارت از دمای حداکثر و حداقل و رطوبت نسبی در بازه ی زمانی 2013-2004 از ایستگاه فرخشهر و فرودگاه در منطقه ی خشک سرد شهرکرد می باشد. شبکه طراحی شده یک شبکه پرسپترون چند لایه با الگوریتم آموزشی لونبرگ مارکوات و تابع تانژانت سیگموئید در لایه پنهان می باشد. مدل درخت تصمیمم به کمک نرم افزار WEKA طراحی گردید. نتایج نشان می دهد که شبکه عصبی و مدل درخت تصمیمم عملکرد خوبی در مدلسازی ضریب اصلاحی دارند، ولی عملکرد مدل شبکه عصبی دقیق تر است. نتایج نشان داد که قبل از استفاده از ضریب اصلاحی دقت مدل هارگریوز RMSE=0.90 (ریشه میانگین مربعات خطا) نسبت به روش پنمن مونتیث فائو بود که این مقدار بعد از استفاده از ضریب اصلاحی به کمک شبکه عصبی به RMSE=0.69 و با از استفاده از ضریب اصلاحی به کمک درخت تصمیمم به RMSE=0.72 رسید. به طور کلی نتایج نشان داد که بعد از استفاده از ضریب اصلاحی عملکرد مدل هارگریوز بهبود یافته است.

چکیده انگلیسی:

One of the most important components of the hydrological cycle is evapotranspiration which plays an important role in water resource management. In the present study the accuracy of evapotranspiration estimation by Hargreaves method and correction factor K was improved using the neural network and decision tree model M5. This coefficient is the ratio of Penman-Monteith evapotranspiration model is the method of Hargreaves. The data used in this study are the maximum and minimum temperatures and relative humidity in the period 2004-2013 Farokhshahr stations and airports in the region ShahrKord is cold and arid. Network Levenberg-Marquardt training algorithm is designed with a feedforward network and sigmoid tangent function is hidden in layers. Decision tree model was designed to help software WEKA. The results show that the neural network and decision tree model to model good performance, but the performance of the neural network model is more accurate correction factor. The results showed that the correction factor carefully before using the Hargreaves RMSE = 0.90 (Root Mean Square Error) Penman-Monteith than that this value after the correction factor to help RMSE = 0.69 and with the use of neural networks the correction factor to help decision tree to reach RMSE = 0.72. The results showed that after using a correction factor to the improved performance of Hargreaves.