بررسی عملکرد الگوریتم هیبریدی کرم شب تاب و شبکه عصبی مصنوعی در شبیه سازی مقادیر تبخیر روزانه

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری هواشناسی کشاورزی، گروه آبیاری و آبادانی ، پردیس کشاورزی و منابع طبیعی ، دانشگاه تهران

2 دانشیار گروه مهندسی آب دانشگاه تبریز

3 استادیار گروه مهندسی منابع آب دانشگاه تبریز

چکیده

شبیه سازی فرایند تبخیر امری بسیار مهم در برنامه ریزی و مدیریت منابع آب می باشد و به دلیل پیچیدگی فرایند تبخیر، تعیین دقیق این پارامترهای آن مستلزم استفاده از روشهای دقیقی است که با دقت قابل قبولی بتواند این فرایند را شبیه سازی کند. با استفاده از روش هیبریدی شبیه سازی و بهینه سازی می‌توان فرایند تبخیر را با دقت بالایی شبیه سازی کرد. در این پژوهش با استفاده داده های تبخیر روزانه ایستگاه سینوپتیک رودسر از سال 1391 تا 1394 به مدت چهار سال، کارایی الگوریتم هیبریدی کرم شب تاب در برآورد تبخیر روزانه در مقایسه با شبکه عصبی مصنوعی مورد ارزیابی قرار گرفت. با توجه به اهمیت پارامترهای اقلیمی و میزان همبستگی آن ها با تبخیر ، ورودی مدل ها در قالب 6 سناریوی مختلف مورد سنجش قرار گرفت.در هر دو مدل بکار گرفته شده، سناریوی برتر مدلی بود بود که ورودی آن شامل بیشینه دمای هوا، کمینه دمای هوا، رطوبت نسبی هوا، سرعت باد، ساعت آفتابی بود. که طی این ساختار تبخیر شبیه سازی شده به وسیله شبکه عصبی مصنوعی دارای ریشه مربعات خطای برابر 2/1 میلی متر در روز، میانگین خطای مطلق 83/0 و همچنین همبستگی 67/0 بوده است. و همینطور همین نتایج مربوط به الگوریتم هیبریدی کرم شب تاب در همین سناریو برابر ریشه مربعات خطای 88/0 میلی متر در روز ، میانگین خطای مطلق 62/0 و همینطور همبستگی 93/0 می‌باشد. دستاوردهای حاصل از این پژوهش نشان داد که الگوریتم هیبرید کرم شب تاب در برآورد تبخیر روزانه با اختلاف نسبی موفق تر از شبکه عصبی مصنوعی عمل کرده است.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Study performance of the hybrid Firefly algorithm and artificial neural network in simulation of the daily evaporation values

نویسنده [English]

  • Babak Mohammadi 1
1 Phd Candidate in Agrometeorology Department of Irrigation and Reclamation Engineering University of Tehran , Iran
چکیده [English]

Simulation of evaporation process is a very important affair in the planning and management of water resources and due to the complexity of the process of evaporation, determine its exact parameters require the use of detailed procedures that reasonably accurately grasping the process simulation. Using a hybrid method for simulation and optimization of the process of evaporation can be fitted with a high-precision simulation. In this study, we used the data on the daily synoptic station rudsar evaporation of the year 1391 to 1394 for four years, the performance of the hybrid Firefly algorithm to estimate daily evaporation in comparison with artificial neural network was evaluated. Due to the importance of climatic parameters and correlation with the amount of evaporation, input models in the form of 6 different measurement scenario. in both models have been applied, the superior was a model scenario was that the entry contains the maximum air temperature, minimum temperature, air relative humidity, wind speed, the Sundial. During the simulated evaporation of the structure by means of artificial neural network has a root equal squares of error 1.2 mm in days and corrolation 0.67, the average absolute error has been 0.83 as well as solidarity. And also the same results relating to the hybrid Firefly algorithm in this scenario against the root of the squares of the error 0.88 mm in days, the average absolute error 0.62 and also fitted 0.93 correlation.

کلیدواژه‌ها [English]

  • Firefly Algorithm
  • evaporation
  • Artificial Neural Network
  • Simulation

1.احمدی، ف. آیشم، س. خلیلی، ک.بهمنش، ج. 1393. کاربرد سیستم های استنتاج فازی-عصبی تطبیقی و ماشین بردار پشتیبان برای برآورد تبخیر تعرق مرجع ماهانه شمال غرب کشور. جلد 30. صفحه­های 274-260.

2.ایلدرمی، ع. زارع ابیانه، ح. بیات ورکشی، م. 1392. برآورد بارش به کمک شبکه عصبی مصنوعی با داده­های هواشناسی غیربارشی در سه منطقه شیراز، مشهد و کرمان. نشریه جغرافیا و برنامه ریزی. دوره 17، شماره 43، صفحه 21-40.

3.بهمنش، ج. آزاد طلاتپه، ن. 1394. بررسی تغییرات پارامترهای هواشناسی موثر بر اقلیم ارومیه. نشریه جغرافیا و برنامه ریزی. دوره 19، شماره 51، صفحه 41-58.

4.حسینی موغاری، س.م. بنی حبیب، م.1393. بهینه­سازی بهره برداری از مخزن برای تامین آب کشاورزی با استفاده از الگوریتم کرم شب تاب. نشریه حفاظت منابع آب و خاک تابستان 1393.دوره 3، شماره 4.صفحه 17 - 31.

5.دانشفراز، ر. 1394. تحلیل حساسیت پاراهای موثر بر میزان تبخیر روزانه با استفاده از الگوریتم Garson و شبکه عصبی  مصنوعی (مطالعه موردی: شهر تبریز). نشریه جغرافیا و برنامه­ریزی. شماره 54. صفحه 127-142.

6.دهقانی، امیراحمد. پیری، مهدی. حسام، موسی. دهقانی، نوید. 1389. تخمین تبخیر روزانه از تشت تبخیر با استفاده از سه شبکه عصبی مصنوعی پرسپترون چندلایه، تابع پایه شعاعی و المانی. مجله پژوهش­های حفاظت آب و خاک. شماره 2. جلد       17. صفحه­های 67-49.

7.سعادتخواه، ن.، سارنگ، س. ا.، تجریشی، م. و ابریشمچی، ا. 1380 . برآورد تبخیر از مخازن چاه نیمه. آب و فاضلاب، شماره40 ، صفحه­های 32 -12.

8.قربانی، م، ع. پوربابک، س. جباری خامنه، ح. اسدی، ا.

 9.فاضلی فرد، م، ح. 1395. طبقه‌بندی دمایی ایستگاه‌های هواشناسی کشور با استفاده از خوشه‌بندی فازی و شبکه عصبی مصنوعی کوهونن. نشریه جغرافیا و برنامه ریزی. دوره 20، شماره 55، صفحه      45-63.

10.کوچک زاده، م. بهمنی، ع .1384. ارزیابی عملکرد شبکه های عصبی مصنوعی در کاهش پارامترهای مورد نیاز، جهت برآورد   تبخیر- و تعرق مرجع، مجله علوم کشاورزی، سال یازدهم،شماره 4. صفحه 101-.91.

11.محمدی، ب. 1396. تخمین تبخیر روزانه بر اساس مدل هیبریدی شبکه عصبی مصنوعی و الگوریتم بهینه سازی کرم شب تاب. پایان نامه کارشناسی ارشد، دانشکده کشاورزی، دانشگاه تبریز.

12.ندیری، ع، ا. نادری، ک. اصغری مقدم، ا. حبیبی، م، ح. 1395. پیش‌بینی زمانی و مکانی سطح آب زیرزمینی با استفاده از روش‌های هوش مصنوعی و زمین آمار (مطالعه موردی: آبخوان دشت دوزدوزان). دوره 20، شماره 58، صفحه 281-301.

13.ولیزاده کامران، خ. 1393. برآورد تبخیر- تعرق پتانسیل در آذربایجان شرقی به روش استفنز با استفاده از GIS. دوره 18، شماره 49، صفحه 317-334.

14.ولیزاده کامران، خ. 1394. برآورد تبخیر- تعرق واقعی به‌روش سبال کوهستانی در منطقه مشگین‌شهر. دوره 19، شماره 53، صفحه   353-382.

15.ASCE Task Committee on Application of Artificial Neural Networks in Hydrology (2000), "Artificial Neural Networks in Hydrology. I: Preliminary Concepts." Journal of Hydrology Engineering, 2:115-123.

16.Coulibaly, P., Anctil, F., Bobée, B., (2000), "Daily reservoir inflow forecasting using artificial neural networks with stopped training approach", Journal of Hydrology, 230:244-257.

17.Dawson, C.W., Abrahart, R.J., Shamseldin, A.Y. and Wibly, R.L., (2006), "Flood estimation at ungauged sites using artificial neural networks", Journal of Hydrology, 319: 391-409.

18.Eslamian, S.S.; J. Abedi-Koupai; MJ. Amiri;  SA. Gohari. 2009. Estimation of daily  reference                 evapotranspiration        using support vector machines and  artifical  neural networks in greenhouse.  Environmental Sciences, 4: 439-447.

19.Ghorbani, M.A., H. Ahmadzadeh., M. Isazadeh and O. Terzi. 2016. A comparative study of artificial neural               network (MLP, RBF) and support  vector machine models for river flow  prediction. Environmental Earth  Science, 75: 476-490.

20.IPCC (2001). Climate Change 2001: The Scientific Basis,Contribution of Working Group I to the Third Assessment Report of the Intergovernmental Panel on Climate Change.

21.Kazemzadeh,M,J.Daneshmand, Ahmadfard, M , A. (2015). "Optimal Remediation Design of Unconfined Contaminated Aquifers Based on the Finite Element Method and a Modified Firefly Algorithm." Water Resources Management 29(8): 2895-2912

22.Kisi, O. Shiri, J. Karimi, S. Shamshirband, Sh. Motamedi, Sh, Petkovic, D. Hashim, R. (2015). "A survey of water level fluctuation predicting in Urmia Lake using support vector machine with firefly algorithm." Applied Mathematics and Computation 270: 731-743

23.Kisi, O., Genc, O., Dinc, S., Zounemat-Kermani, M., (2016)," Daily pan evaporation modeling using chi-squared automatic interaction detector, Neural networks, Classification and Regression tree", Computers and Electronics in Agriculture, 122: 112–117.

24.Kumar, M., Raghuwanshi, N.S., Singh, R., Wallender, W.W., and Pruitt, W.O.2002. Estimating                 evapotranspiration using artificial neural network. J. Irrig. Drain. Engin. 128: 4. 224-233

25.Landeras ,G. Barredo,A.  Javier ,J. (2008)   Comparison of artificial neural   network models and empirical and semi-empirical equations for daily reference evapotranspiration estimation in the Basque Country  (Northern Spain). agricultural water   management 95 (2008) 553–565.

26.Lo Conti, F.; Hsu, K.L.; Noto, L.V.; Sorooshian, S. (2014). Evaluation and comparison of satellite precipitation estimates with reference to a local area in the Mediterranean Sea. Atmospheric Research, 138: 189-204.

27.McCuen, R.H., (1998), "Hydrologic analysis and design", Prentice Hall, Englewood Cliffs, New Jersey, 1-867.

28.Moghaddamnia, A. Ghafari Gousheh M, Piri J, Amin S and Han D, 2009. Evaporation estimation  using artificial neural networks and adaptive neuro-fuzzy interface system techniques.  Advances in Water Resources, 32: 88-97.

29.Pincus, R.; Batstone, C.P.; Hofmann, R.J.P.; Taylor, K.E.; Glecker, P.J. (2008). Evaluating the present‐day simulation of clouds, precipitation, and radiation in climate models. Journal of Geophysical Research: Atmospheres, 113(D14): 1-10.

30.Nash, J.E., I.V. Sutcliffe. 1970. River flow forecasting through conceptual models, Part I, A discussion of principles, Journal of Hydrology, 10:282-290.

31.Singh, V.P., Xu, C.Y., (1997), "Evaluation and generalization of 13 mass transfer equations for determining free water evaporation", Hydrological Process, 11:311–324.

32.Tezal, G., Buyukyildiz, M., (2015), "Monthly evaporation forecasting using artificial neural networks and support vector machines", Journal of Theoretical and Applied Climatology, 124: 69-80.

33.Wehner, M.F. (2013). Very extreme seasonal precipitation in the NARCCAP ensemble: model performance and projections, Climate Dynamics, 40(1-2): 59-80.

34.Yang, X.-S. and X. He (2013). "Firefly algorithm: recent advances and applications." International Journal of Swarm Intelligence 1(1): 36-50