Comparison of gene expression programming (GEP) and neuro-fuzzy methods for estimation of pan evaporation (case study: south Khorasan province)
Subject Areas : Farm water management with the aim of improving irrigation management indicatorsپرویز حقیقت جو 1 , زهرا محمدزاده شاهرودی 2 , ام البنی محمد رضا پور 3
1 - عضو هیئت علمی دانشگاه زابل
2 - دانش آموخته کارشناسی ارشد
3 - عضوهیئت علمی دانشگاه زابل
Keywords: Gene Expression Programming, nero-fuzzy, pan evaporation, south Khorasn,
Abstract :
Accurate estimation as one of the important elements of the hydrological cycle of evaporation play an important role in the development and management of water resources plays countries facing a water crisis. so far methods, and many empirical formulas in estimating the nonlinear process evaporation of the basin, which provide high accuracy and as well as access to all the input parameters problem or measure they need a lot of time and money.The aim of this study was to compare of ability of Gene expression programmingand neuro-fuzzy methods for estimation of evaporation in South Khorasan province. For this purpose daily data collected from occurs six synoptic stations during years 1990-2010. Input parameters are daily mean temperature, relative humidity, max and min temperature, wind speed and sun shine. Finally, to evaluate of models and compare them criteria such as coefficient of determination (R2) and Mean Bias Error (MBE) and Root Mean Square Error (RMSE) and MBE is used. Compression of result in test period showed the GEP Model has better performance than the neuro-fuzzy model to estimate the daily evaporation. The best result of GEP is R2=0.79، RMSE= 1.44 and MBE=0.35 in Boshroie station and worst is R2=0.7، RMSE= 2.6 and MBE=1.2 in Birgand station. Also the results showed the main factor in estimation of evaporation is mean temperature in all station except that mine temperature is impact parameter.
پیری، ج.، انصاری، ح. و فرید حسینی، ع. 1392. مدلسازی تابش خورشید رسیده به زمین با استفاده ازANFIS و مدلهای تجربی مطالعه موردی: ایستگاههای زاهدان و بجنورد، نشریه انرژی ایران. 37-58 : ۱۶ (۳).
امینی رکان، ا. 1392. مدلسازی درجه حرارت هوا با استفاده از هوشمصنوعی در نمونههای اقلیمی ایران، پایاننامهدورهی کارشناسیارشدمنابع آب. دانشکده آب وخاک. دانشگاه زابل. 142 صفحه.
شادمانی، م. و معروفی، ص. 1390. مقایسه چند روش برآورد تبخیر روزانه از تشتک- مطالعه موردی منطقه کرمان. مجله علوم و فنون کشاورزی و منابع طبیعی، علوم آب و خاک 83-69: (55)15.
شایان نژاد، م. 1385. مقایسه روشهای شبکههای عصبی مصنوعی و پنمن – مانتیث در محاسبه تبخیر و تعرق پتانسیل، همایش ملی مدیریت شبکههای آبیاری و زهکشی، دانشگاه شهید چمران اهواز.531-537.
شعیبی نوبریان، م. و دربندی، ص. 1392. پیشبینی میزان تبخیر- تعرق پتانسیل معادله فائو- پنمن- مونتیث با استفاده از برنامهریزی ژنتیک، دومین کنفرانس بین المللی مدلسازی گیاه، آب، خاک و هوا، کرمان، دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته.12ص.
علیرضا، م. 1387. مقدمهای برالگوریتمهای ژنتیک و کاربردهای آن. 1. انتشارات زانیس، تهران. 144 صفحه.
کولائیان، ع. غلامی سفید کوهی م. و ضیاتباراحمدی، م. 1392. ارزیابی روشهای نوین محاسباتی در برآورد تبخیر و تعرق روزانه مطالعه موردی دشت ناز- ساری)، دوازدهمین همایش ملی آبیاری کاهش تبخیر، دانشگاه شهید باهنرکرمان.بهمن ماه.
مساعدی ، ا. و قبائی سوق، م. 1390. برآورد تبخیر روزانه از تشت تبخیر با استفاده از سیستم استنتاج تطبیقی عصبی- فازی، مجله پژوهش آب ایران، (8)5: 170-161.
میرمرادزهی، ج. 1391. برآورد تبخیر روزانه از تشت با استفاده از روشهای هوش مصنوعی در جنوب استان سیستان و بلوچستان، پایان نامه دورهی کارشناسی ارشد منابع آب، دانشکده آب وخاک دانشگاه زابل. 124 صفحه.
نجفی، م. عظیمی، و. و شایان نژاد، م. 1393. ارزیابی دقت روشهای هوشمند وآنالیز حساسیت تبخیر – تعرق گیاه مرجع به پارامترهای هواشناسی در دو اقلیم مختلف، اکوهیدرولوژی، (1)1: 24-17.
نورانی، و. و سیاح فرد، م.1390. آنالیز حساسیت دادههای ورودی به شبکه عصبی مصنوعی به منظور برآورد مقدار تبخیر روزانه. آب و فاضلاب3:.24-87.
Dogan, E. Gumrukcuoglu, M. Sandalci, M. And Opan, M .2010. Modelling of evaporation from the reservoir of yuvacik dam using adaptive neuro-fuzzy inference systems. Engineering Applications of Artificial Intelligence. 23: 961- 967.
Guven, A. And Kisi, O. 2011. Daily pan evaporation modeling using linear genetic programming technique. Irrigation Science. 29(2):135-145.
Hatice, C. Murat, C. And Tefaruk, H. 2014. Estimation of Monthly Mean Reference Evapotranspiration in Turkey. Water Resources Management. 28: 99-113.
Kisi, O. And Zounemat-Kermani, M. 2014. Comparison of Two Different Adaptive Neuro-Fuzzy Inference Systems in Modelling Daily Reference Evapotranspiration. Water Resources Management. 28: 2655-2675.
Piri, J. And Ansari, H. 2012. Daily Pan Evaporation Modelling With ANFIS and NNARX. Iran Agricultural Research. 31(2): 51-64.
Seydou, T. And Aytac, G. 2012. Regional-Specific Numerical Models of Evapotranspiration Using Gene-Expression Programming Interface in Sahel. Water Resources Management 2012. 26: 4367-4380.
Shiri, J. And Kisi, O. 2012. Application of Artificial Intelligence to Estimate Daily Pan Evaporation Using Available and Estimated Climatic Data in the Khozestan Province (South WesternIran(. Journal of Irrigation and Drainage Engineering. 137(7): 412-425.
Terzi, O .2013. Daily pan evaporation estimation using gene expression programming and adaptive neural based fuzzy inference system. Journal Computing & Applications. 23(3): 1035-1044.
Traore, S. Wang, Y M. and. Kerh, T. 2010. Artificial neural network for modeling reference evapotranspiration complex process in Sudano-Sahelian zone, Agricultural Water Management. 97:707–714.