کاربردتئوری آنتروپی شانون در پیشبینی تبخیر و تعرق پتانسیل (مطالعه موردی ایستگاه سینوپتیک ارومیه)
محورهای موضوعی : هیدرولوژینوید زینال پور 1 , علیرضا پرویشی 2 *
1 - گروه مهندسی عمران، دانشکده فنی و مهندسی، دانشگاه آزاد اسلامی واحد ارومیه،ارومیه ، ایران.
2 - گروه مهندسی عمران - دانشکده فنی و مهندسی - دانشگاه آزاد اسلامی واحد ارومیه
کلید واژه:
چکیده مقاله :
تبخیر و تعرق از مهمترین اجزای چرخه هیدرولوژی بوده و برآورد دقیق آن در مطالعات زیادی مانند بیلان آب، مدیریت منابع آب و برنامهریزی آبیاری کاربرد دارد. استفاده از مدلهای هوشمند میتواند ابزارهای مناسبی برای تخمین متغیرهای غیرخطی همچون تبخیر و تعرق باشد. مطالعه حاضر از روشهای برنامهریزی بیان ژن GEP و سیستم استنتاج عصبی فازی- تطبیقی ANFIS برای پیش بینی تبخیر و تعرق مرجع ماهانه استفاده گردید. بدین منظور دو حالت مختلف مدلسازی توسعه داده شد. حالت اول الگوهای اقلیم پایه و حالت دوم نقش حافظه در پیشبینی تبخیر و تعرق مرجع ماهانه، از روش آنتروپی شانون برای انتخاب بهینهترین ورودیها استفاده شد. مطابق نتایج مدل GEP در الگوی CBM8با مقادیر 91/0KGE=، 87/0WI= و 495/0 RMSE=بهترین عملکرد را در پیشبینی تبخیر و تعرق مرجع ماهانه ایستگاه سینوپتیک داشت. نتایج حاصل از اجرای مدلها با الگوهای تاخیر پایه نیز روش آنتوپی شانون توانست تاخیر بهینه را به درستی شناسایی نماید.
Evapotranspiration is one of the most important components of the hydrological cycle and its accurate estimation is used in many studies such as water balance, water resources management and irrigation planning. The use of intelligent models can be a good tool for estimating nonlinear variables such as evaporation and transpiration. The present study used GEP gene expression programming methods and ANFIS fuzzy-adaptive neural inference system to predict monthly reference evapotranspiration. For this purpose, two different modeling modes were developed. The first case of baseline climate patterns and the second case of memory role in predicting monthly reference evapotranspiration, Shannon entropy method was used to select the most optimal inputs. According to the results of GEP model in Ent-CBM8 model with KGE = 0.91, WI = 0.87 and RMSE = 0.495 had the best performance in predicting the monthly reference evapotranspiration of the synoptic station. The results of the implementation of models with basic delay patterns and Shannon's entopy method were able to correctly identify the optimal delay.