ارائه یک ضریب اصلاحی برای بهبود دقت روش هارگریوز در برآورد تبخیر و تعرق مرجع

نوع مقاله : مقاله پژوهشی

نویسندگان

1 فارغ التحصیل کارشناسی ارشد مهندسی آبیاری و زهکشی از دانشگاه اراک

2 2- دانشیار گروه مهندسی آب دانشکده کشاورزی دانشگاه شهرکرد.

3 3- دانش آموخته کارشناسی ارشد گروه مهندسی آب دانشکده کشاورزی، دانشگاه تهران.

10.30467/nivar.2019.135827.1099

چکیده

تبخیر- تعرق یکی از مهم‌ترین اجزای چرخه هیدرولوژی است که برآورد آن در مدیریت منابع آب نقش مهمی دارد. در تحقیق حاضر امکان بهبود دقت روش هارگریوز جهت برآورد تبخیر- تعرق 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. داده‌های آب و هوائی مورد استفاده در این تحقیق در بازه‌ی زمانی 2013-2004 از ایستگاه فرخشهر و فرودگاه شهرکرد در استان چهارمحال و بختیاری شامل دمای حداقل، دمای حداکثر و رطوبت نسبی میانگین با اقلیم سرد و خشک اخذ شده است. داده ها به دو قسمت 75 درصد برای آموزش و اعتبار سنجی و 25 درصد برای تست تقسیم شدند. نتایج نشان می‌دهد که شبکه عصبی و مدل درخت تصمیمم عملکرد خوبی در مدلسازی ضریب اصلاحی دارند. قبل از استفاده از ضریب اصلاحی برای ایستگاه فرخشهر ریشه میانگین مربعات خطا مدل هارگریوز نسبت به روش پنمن مونتیث فائو RMSE=0/90 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. نتبج نشان داد که عملکرد شبکه عصبی مصنوعی‌دقیق تر است ولی مدل درختی روابط خطی، ساده‌تر و قابل فهم‌تری را ارائه می‌دهد.

کلیدواژه‌ها


عنوان مقاله [English]

Provide a Adjusted Coefficient to improve the accuracy of the Hargreaves method in the estimation of reference evapotranspiration

نویسندگان [English]

  • mohammadreza hosseini 1
  • rouhallah Fattahi 2
  • omid mohtarami 3
1 Arak University
2 - Assistant professor, University of
3 - M. Sc. student of irrigation and drainage, University of tehran.
چکیده [English]

Evapotranspiration is one of the most important components of the hydrological cycle, which has an important role in water resource management. In the present study, the accuracy of the Hargreaves method for estimating evapotranspiration with the help of Adjusted coefficient K was investigated using artificial neural network model and M5 decision tree model. The weather data used in this study during the period of 2013-2004 from Farakhshahr station and Shahrekord airport in Chaharmahal and Bakhtiari province included minimum temperature, maximum temperature and relative humidity with cold and arid climate. Data were divided into 75% for training and validation and 25% for testing. The results show that neural network and decision tree model have good correlation modeling. Before using the Adjusted coefficient for Farkhshahr station, the root mean square of the Hargreaves strain was RMSE = 0.90 according to the Penman-Monteith-FAO method, which after applying the Adjusted coefficient using the neural network to RMSE = 0.69 and using The Adjusted coefficient for the decision tree was RMSE = 0 72. In general, the results showed that the Hargreaves model improved after using the Adjusted coefficient. Neutbay showed that the performance of the artificial neural network is more accurate, but the tree model offers linear, easier, and more intelligible relationships.

کلیدواژه‌ها [English]

  • Reference Evapotranspiration
  • Data mining
  • Artificial Neural Network
  • M5 tree model. Hargreaves
منابع
شریفیان ح ، دهقانی ا و کریمی راد ا ، 1391. ارائه ضریب اصلاحی برای روش هارگریوز- سامانی به منظور برآورد تبخیر- تعرق گیاه مرجع (مطالعه موردی: ایستگاه سینوپتیک گرگان). مجله پژوهش­های حفاظت آب و خاک، 19. 3. : 236-229.
شریفیان ح و قربانی خ ،1393. بهبود برآورد تبخیر و تعرق پتانسیل با استفاده از ضریب اصلاحی به کمک مدل درخت تصمیم M5. نشریه‌ی آبیاری و زهکشی. 8 .161-53.
علیزاده ا ، 1383. رابطه­ی آب و خاک وگیاه. مشهد، دانشگاه امام رضا ، ویرایش3.
موسوی بایگی م ، عرفانیان م و سرمد م، 1388. استفاده از حداقل داده­های هواشناسی برای برآورد تبخیر و تعرق گیاه مرجع و ارائه ضرایب اصلاحی (مطالعه موردی:  استان خراسان رضوی). مجله آب و خاک (علوم و صنایع کشاورزی)، 23 . 1 : 99-91.
بختیاری، ب. ع. محبی دهاقانی و ک. قادری .1394. برآورد تبخیر و تعرق مرجع روزانه با حداقل  داده­های هواشناسی در اقلیم­های نیمه خشک منتخب ایران. 11 . 3. : 144-131.
احمدی، ف.، آیشم، س.، خلیلی، ک و بهمنش، ج. 1394. کاربرد سیستم­های استنتاج عصبی- فازی تطبیقی و برنامه ریزی ژنتیک برای یرآورد تبخیر و تعرق ماهانه در شمال غرب ایران. نشریه پژوهش­­های آب در کشاورزی. 2.29: 247-235.
صف شکن، س.، پیرمرادیان و شریفان، افشین.1396. ارزیابی و مقیاسه روش شبکه عصبی مصنوعی و نرم افزار HEC-HMS در شبیه سازی آبنمود بارش- رواناب در حوضه ابخیز معرف کسیلیان. مجله مهندسی منابع آب. سال 10: 84-71.
پناهی، س.، کرباسی، م و نیکبخت، ج. 1395. پیش بینی تبخیر و تعرق مرجع با استفاده از شبکه عصبی مصنوعی SVM، RBF و MLP. مجله محیط زیست و مهندسی آب.1.2: 63-51.
ستاری، م ت، میرعباسی نجف آبادی، ر. علیمحمدی، م. 1395. کاربرد مدل درختی M5 در پیش بینی خشکسالی (مطالعه موردی: مراغه، ایران). مجله علمی پژوهشی هیدروژئومورفولوژی. شماره8: ص92-73.
ستاری، م و اسماعیل زاده، ب.1395. مقایسه نتایج مدل درختی M5 و برنامه ریزی ژنتیک با روش پنمن مونتیث فائو برای تخمین تبخیر و تعرق مرجع. مجله مهندسی منابع آب. سال نهم: 20-11.
زرکندی, س؛ قاضیانی، خ؛ بهشتی و م اسمعیل زاده، و محمدحسن. ۱۳۹۲، کاربرد نرم افزار متلب در مهندسی مکانیک، ششمین همایش فرامنطقه ای پیشرفتهای نوین در علوم مهندسی، تنکابن، موسسه آموزش عالی آیندگان،
حسینی، م ر. گنجی خرم دل، ن. خلت آبادی فراهانی، ا ح. 1395.  تخمین تبخیر و تعرق مرجع روزانه به کمک مدل درخت تصمیم M5 و مدل شبکه عصبی مصنوعی. نشریه پژوهش های کاربردی علوم آب. سال دوم شماره سوم: 44-35.
محمدرضا پور، ام البنی، 1396. پیش بینی تبخیر و تعرق پتانسیل ماهانه با استفاده از مدل­­های ماشین بردار پشتیبان، برنامه ریژی ژنتیک و سیستم استتناج عصبی فازی. فصلنامه علمی پژوهشی. مهندسی آبیاری و آب. سال هفتم، شماره 27. ص150-135.
Allen R , L.S.Pereira D, Rae s and Smith M ,1998. Crop Evapotranspiration - Guidelines for Computing Crop Water Requirements. FAO Irrigation and Drainage Paper 56.
Allen, R.G. and W.O. Pruitt. 1991. FAO-24 Reference evapotranspiration factors. J. of Irrig. and Drainage Engineering. 117(5):758-773 .
Alberg D, Last M and Kandel A, 2012. Knowledge discovery in data streams with regression tree methods. WIREs Data Mining Knowledge Discovery. (2): 69-78.
Hargreaves G.H and Samani Z.A , 1985. Reference crop evapotranspiration from temperature. Transaction of ASAE 1(2):96-99.
Quinlan JR ,1992. Learning with continuous classes. Proceedings of the 5th Australian Joint Conference Scientific, 343–348.
Jain, A.K., Mao, J., and Mohiuddin, k. m. 1996. Artificial neural networks: a tutorial. Computer, IEEE P. 31-44.
Suri, D., and Moazed, H. 2005. Estimation and Modeling of Potential Evapotranspiration in Different Continental Conditions of Iran, MSc Thesis, Ahvaz University of Shahid Chamran. Water Sciences Engineering Faculty.
Sattari, MT., Pal, M., Apaydin, H., (2013), M5 Model Tree Application in Daily River Flow Forecasting in Sohu Stream, Turkey, Water Resources, 4(3), PP. 233-242.
Ellis G. W., Yao C., Zhao R. and Penumadu D. (1995). Stress-strain modeling of sands using artificial neural networks. J. Geotec. Eng., ASCE, 121(5), 429-435.
Jensen, M. E., Burman, R. D. and Allen R. G. (1999). Evapotranspiration and water requirenments. ASCE manuals and reports onon engineering practices No. 70. American society of civil engineers, New York, ISBN 0-87262-763-2, 360 P.
Grismer, M. E., Oran, M., Snyder, R. and R. Matyac. 2002. Pan evaporation to refrernce Jurnal of evapotranspiration conversion methods. Irrigation and Drainage Engineering, ASCE, 128 (3), 180-184.