Nivar

Nivar

Estimation of Evapotranspiration Using Empirical Models, Modeling it with Artificial Neural Network and Their Comparison with Lysimeter Data (Case Study: Salman Farsi Agro-Industry CO)

Document Type : Original Article

Authors
Atefeh Sayadi Shahraki 1
Abd Ali Naseri 2
Saeed Boroomandnasab 2
Amir Soltani Mohammadi 3
1 PhD Student of Irrigation and drainage Shahid Chamran University of Ahvaz, Ahvaz
2 Professor of Irrigation and Drainage Shahid Chamran University of Ahvaz, Ahvaz
3 Associate Professor of Irrigation and Drainage Shahid Chamran University of Ahvaz, Ahvaz
10.30467/nivar.2020.232521.1159
Abstract
Evapotranspiration determination is a key factor for irrigation scheduling, water balance, irrigation system design and management and crop yields simulation. Reference Evapotranspiration is a complex and multivariate phenomenon that depends on climatic factors and most accurate way to estimate it is lysimeter but using Lysimeter requires a lot of time and money, hence the Evapotranspiration estimation is done by meteorological parameters and applying empirical models. These models have the coefficients that each coefficient is representative of regional conditions that equation is calibrated in that area. Nowadays Artificial Neural Networks (ANN) are being applied in several problems of water engineering where there is no clear relationship between effective parameters on the estimation of phenomenon. The purpose of this study was to evaluate Artificial Neural Networks and Experimental models in the estimation of evapotranspiration for Salman Farsi Agro-Industry. based on daily meteorological data and 3-years (March 2016 to March 2019) data from Lysimeter of the station, Evapotranspiration was calculated to above methods. The results of calculations showed that the Artificial Neural Network has better performance than all the empirical models, it has a RMSE, MAE and R2 respectively is equal to 1.25, 0.24 and 0.97 mm/day Also among the empirical models, the Penman-FAO-Monteith model with RMSE, MAE and R2 equal to 2.07 , 3.09 and 0.91 mm/day is a priority. Also, 10 scenarios were defined to evaluate the accuracy of the neural network model by reducing the climatic parameters.
Keywords
Evapotranspiration
Artificial Neural Networks
Lysimeter
Empirical models

  1. منابع

    1. آزادطلاتپه، ن.، بهمنش،ج.، منتصری،م. 1392. پیش­بینی تبخیر-تعرق پتانسیل با استفاده از مدل­های سری زمانی. مجله آب و خاک، سال 27 شماره 1: 213-223.
    2. بهمنش، ج.، آزاد طلاتپه،ن.، منتصری.م.، بشارت،س. 1393. ارزیابی مدل­های سری زمانی خطی و غیر خطی بیلینییر در پیش­بینی تبخیر -تعرق گیاه مرجع در ایستگاه سینوپتیک ارومیه .نشریه پژوهش آب در کشاورزی، سال 28، شماره 1: 85-96.
    3. حقی­زاده، ع.، یوسفی، ح.، ابراهیمیان، ط.و یاراحمدی، ی. 1398. مقایسه مدل هیبریدی PSO-ANFIS و مدل تجربی تورک در تخمین تبخیر و تعرق مرجع (مطالعه موردی: پلدختر- لرستان). مجله اکوهیدرولوژی، سال 6، شماره 3: 685-694.
    4. زارع ابیانه، ح.، بیات ورکشی، م.، معروفی ، ص و امیری چایجان ، ر. 1398. ارزیابی سیستم­های هوشمند عصبی در کاهش پارامترهای تخمین تبخیر و تعرق گیاه مرجع. مجله آب و خاک، سال 2، شماره 24: 297-305.
    5. صارمی، م. و فرهادی بانسوله، ب. 1394. تعیین پارامترهای موثر در برآورد تبخیر و تعرق گیاه مرجع با استفاده از شبکه عصبی مصنوعی (مطالعه موردی: استان لرستان). نشریه آبیاری و زهکشی ایران، سال 4، شماره 9: 614-623.
    6. صیادی، ح.، اولاد غفاری، ا.، فعالیان، ا. و صدرالدینی، ع.ا. 1388. مقایسه عملکرد شبکه­های عصبی RBF و MLP در برآورد تبخیر و تعرق گیاه مرجع. مجله دانش آب و خاک، سال 1، شماره 19: 1-12.
    7. عابدی کوپایی، ج.، اسلامیان، س. س. امیری، م. ج .1387 . مقایسه چهار روش تخمین تبخیر و تعرق سطح مرجع با داده­های میکرو لایسیمتری در منطقه اصفهان، دومین همایش ملی مدیریت شبکه‌های آبیاری و زهکشی، اهواز.
    8. عبدالله­پور آزاد، م.ر و ستاری، م. ت. 1394. پیش‌‌بینی جریان روزانه رودخانه اهرچای با استفاده از روش‌های شبکه‌های عصبی مصنوعی (ANN) و مقایسه آن با سیستم استنتاج فازی-عصبی تطبیقی .(ANFIS) مجله پژوهش­های حفاظت آب و خاک، سال 22، شماره 1: 287-298.
    9. قربانی، م.، شکری، س. و برومندنسب، س. 1395. بررسی عملکرد شبکه­های عصبی در برآورد تبخیر و تعرق گیاه مرجع (مطالعه موردی: ایستگاه سینوپتیک اهواز). فصلنامه علمی پژوهشی اکوبیولوژی تالاب، سال 8، شماره 28: 23-34.
    10. کوچک­زاده، م.، و بهمنی، ع. 1384 .ارزیابی عملکرد شبکه­های عصبی مصنوعی در کاهش پارامترهای مورد نیاز، جهت برآورد تبخیر و تعرق مرجع. مجله علوم کشاورزی، سال 4، شماره 11: 96-87.
    11. ملکی نژاد، ح.، پورمحمدی، س.، پور شرعیاتی، ر. و محمدی، س. 1393. سنجش حساسیت تبخیر و تعرق مرجع نسبت به عوامل اقلیمی با استفاده از فن‌های هوش محاسباتی و روش‌های آماری چند متغیره. نشریه پژوهش آب در کشاورزی، سال 28، شماره 1: 137-151.
    12. مهدوی، م. 1385. هیدرولوژی کاربردی، جلد اول، انتشارات دانشگاه تهران، تهران، 342 صفحه.
    13. نوری، س.، فلاح قالهری، غ. ع. و ثنایی نژاد، ح. 1392. مدل­سازی تبخیر و تعرق گیاه پتانسیل با استفاده از شبکه عصبی مصنوعی با حداقل متغیرهای اقلیمی در ایستگاه سینوپتیک مشهد. نشریه پژوهش­های حفاظت آب و خاک، سال 20، شماره 5: 163-178.
    14. هژبر، ح.، معاضد، ه. و شکری کوچک، س. 1393. برآورد تبخیر و تعرق مرجع با استفاده از مدل­های تجربی، مدل­سازی آن با شبکه عصبی مصنوعی و مقایسه آنها با داده­های لایسیمتری در ایستگاه کهریز ارومیه. فصلنامه مهندسی آبیاری و آب، سال 4 شماره 15: 13.
      1. Araya, A., Stroosnijder, L., Girmay, G., & Keesstra, S. D. 2011. Crop coefficient, yield response to water stress and water productivity of teff (Eragrostis tef (Zucc.). Agricultural water management, 98(5), 775-783.
      2. Cosgrove, W. J. and Rijsberman, F. R. 2014. World water vision: making water everybody's business. Earthscan Publications Ltd, London. 142 p.
      3. Costello, L. R., Matheny, N. P., Clark, J. R., & Jones, K. S. 2000. A Guide to Estimating Irrigation Water Needs of Landscape Plantings in California, the Landscape Coefficient Method and Wucols III. University of California Cooperative Extension, California Department of Water Resources: Berkeley, CA, USA.
      4. Doorenbos, J. 1977. Guidelines for predicting crop water requirements. FAO irrigation and drainage paper, 24, 1-179.
      5. Grattan, S., Bowers, W., Dong, A., Snyder, R., Carroll, J., & George, W. 1998. New crop coefficients estimate water use of vegetables, row crops. California agriculture, 52(1), 16-21.
      6. Hassanli, A. M., Ahmadirad, S., & Beecham, S. 2010. Evaluation of the influence of irrigation methods and water quality on sugar beet yield and water use efficiency. Agricultural Water Management, 97(2), 357-362.
      7. Ma, X., Sanguinet, K. A., & Jacoby, P. W. 2020. Direct root-zone irrigation outperforms surface drip irrigation for grape yield and crop water use efficiency while restricting root growth. Agricultural Water Management, 231, 105993.
      8. Nouri, H., Beecham, S., Kazemi, F., & Hassanli, A. M. 2012. A review of ET measurement techniques for estimating the water requirements of urban landscape vegetation. Urban Water Journal, 10(4), 247-259.
      9. Nouri, H., Glenn, E. P., Beecham, S., Chavoshi Boroujeni, S., Sutton, P., Alaghmand, S. & Nagler, P. 2016. Comparing three approaches of evapotranspiration estimation in mixed urban vegetation: Field-based, remote sensing-based and observational-based methods. Remote Sensing, 8(6), 492.
      10. Shojaei, P., Gheysari, M., Nouri, H., Myers, B., & Esmaeili, H. 2018. Water requirements of urban landscape plants in an arid environment: The example of a botanic garden and a forest park. Ecological engineering, 123, 43-53.
      11. Symes, P., Connellan, G., Buss, P., & Dalton, M. 2008. Developing Water Management Strategy for Complex Landscapes. In Irrigation Australia 2008 Conference, Best Practice Open Space Irrigation Workshop. Melbourne Exhibition Centre, May (pp. 20-22).
      12. Tyagi, N. K., Sharma, D. K., & Luthra, S. K. 2000. Determination of evapotranspiration and crop coefficients of rice and sunflower with lysimeter. Agricultural water management, 45(1), 41-54.
      13. Vaghefi, S. A., Keykhai, M., Jahanbakhshi, F., Sheikholeslami, J., Ahmadi, A., Yang, H., & Abbaspour, K. C. 2019. The future of extreme climate in Iran. Scientific reports, 9(1), 1-11.
      14. Wolf, D., & Lundholm, J. T. 2008. Water uptake in green roof microcosms: effects of plant species and water availability. Ecological Engineering, 33(2), 179-186.

     

     

     

     

     

     

     

     

     

     

     

     

     

     

     

Nivar
Volume 44, 110-111 - Serial Number 110
September 2020
Pages 157-168

  • Receive Date 23 May 2020
  • Revise Date 15 September 2020
  • Accept Date 26 October 2020
  • Publish Date 22 September 2020