مقایسه روشهای سیستم استنتاج عصبی_فازی و برنامهریزی بیان‌ژن در‌برآورد تبخیر از تشتک (مطالعه موردی: استان خراسان جنوبی)
محورهای موضوعی : مدیریت آب در مزرعه با هدف بهبود شاخص های مدیریتی آبیاریپرویز 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
کلید واژه: برنامهریزی بیان‌ژن, تبخیر تشتک, عصبی- فازی, خراسان جنوبی,
چکیده مقاله :
امروزه تخمین صحیح تبخیر به عنوان یکی از عناصر مهم چرخه هیدرولوژی، نقش مهمی را در توسعه و مدیریت منابع آب کشورهای مواجه با بحران آب ایفا می کند. تاکنون روش ها و فرمول های تجربی فراوانی در زمینه برآورد فرایند غیرخطی و پیچیده تبخیر از تشتک ارائه شده که از دقت بالایی برخوردار نبوده و همچنین دسترسی به تمام پارامترهای ورودی مشکل و یا اندازه گیری آنها محتاج صرف هزینه و زمان زیادی می باشد. هدف از این تحقیق ارزیابی کارایی دو مدل برنامه ریزی بیان ژن و عصبی- فازی جهت تخمین تبخیر از تشتک در استان خراسان جنوبی می باشد. برای این منظور از داده های هواشناسی روزانه شش ایستگاه سینوپتیک به مدت بیست سال(2010-1990)، استفاده شد. پارامترهای ورودی به مدل عبارتند از: میانگین دمای هوا، رطوبت نسبی، حداکثر وحداقل دمای هوا، سرعت باد و ساعات آفتابی. برای ارزیابی مدلها و مقایسه آن ها از معیارهای ضریب تبیین ، جذر میانگین مربع خطاها و میانگین خطاها استفاده گردید. مقایسه نتایج آزمون دو مدل نشان داد که مدل برنامه ریزی بیان ژن کارایی بهتری نسبت به مدل عصبی- فازی در برآورد روزانه تبخیر از تشتک دارد. بطوری که بهترین نتایج مدل برنامه ریزی بیان ژن در ایستگاه بشرویه با ضریب تبیین 79/0، 44/1=RMSE و 35/0MBE= ضعیف ترین نتایج در ایستگاه بیرجند با ضریب تبیین7/0، 6/2=RMSE و 2/1MBE= بدست آمد. همچنین نتایج نشان داد میانگین دمای روزانه بیشترین تاثیر را در برآورد تبخیراز تشتک دارد.
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.
