برآورد تبخیر تعرق مرجع روزانه با حداقل داده‌های هواشناسی در اقلیم‌های نیمه خشک منتخب ایران

نوع مقاله : مقاله پژوهشی

نویسندگان

1 استادیار /بخش مهندسی آب، دانشکده کشاورزی، دانشگاه شهید باهنر کرمان، کرمان، ایران

2 دانش‌آموخته کارشناسی ارشد مهندسی منابع آب/ دانشکده کشاورزی، دانشگاه شهید باهنر کرمان (عضو انجمن پژوهشگران جوان دانشگاه شهید باهنر کرمان)

چکیده

تخمین صحیح و دقیق تبخیر-تعرق تأثیر بسزایی در مدیریت و برنامه‌ریزی صحیح منابع آب به ویژه در مناطق نیمه خشک و خشک دارد. روش‌های متعددی برای برآورد تبخیر-تعرق توسط محققان ارائه شده است. از جمله این روش‌ها می‌توان به انواع معادلات تجربی و روش‌های داده محور اشاره کرد. در این مطالعه از سه روش داده محور شبکه‌های تطبیقی مبتنی بر سیستم استنتاج فازی (ANFIS)، مدل درختی (M5) و ماشین‌های بردار پشتیبان (SVM) و پنج معادله تجربی برای تخمین تبخیر-تعرق روزانه در هشت اقلیم نیمه‌خشک ایران استفاده شده است. برای این منظور از داده‌های هواشناسی حداکثر و حداقل دما، رطوبت نسبی، سرعت باد و ساعات آفتابی و 11 ترکیب مختلف این متغیرها بین سال‌های 1980 تا 2009 به عنوان ورودی بــه روش‌های داده محور بــرای مدل‌سازی تبخیر-تعرق بهره گرفته شد که 80% داده‌ها برای آموزش و 20% آن‌ها برای آزمون مدل‌ها استفاده شد. سپس نتایج حاصله با مقادیر به دست آمده از معادله استاندارد پنمن- مانتیث  فائو 56 مقایسه شدند. عملکرد روش‌های مورد نظر با استفاده از شاخص‌های آماری میانگین مربعات خطا (RMSE)، ضریب تبیین (R2) و شاخص توافق (d) مورد بررسی قرار گرفت. روش‌های ماشین بردار پشتیبان و شبکه تطبیقی مبتنی بر سیستم استنتاج فازی در نه ترکیب متغیرهای هواشناسی  بهترین عملکرد را با RMSE بین  24/0 تا 55/1 میلی‌متر بر روز ارائه دادند. RMSE معادلات تجربی در دامنه بین 71/0 تا 96/5 میلی‌متر بر روز متغیر بودند و از میان آن‌ها معادلات بلانی- کریدل و مک گاینس-بردنه در غالب ایستگاه‌ها بالاترین دقت را داشتند. همچنین روشM5 نسبت به دو روش ANFIS و SVM در مواجهه با ورودی‌های مختلف در اقلیم‌های مطالعاتی عملکرد پایین‌تری را از خود نشان داد.

کلیدواژه‌ها

عنوان مقاله [English]

Estimation of Daily Reference Evapotranspiration with Limited Meteorological Data in Selected Iran’s Semi-Arid Climates

نویسندگان [English]

  • B. Bakhtiari 1
  • A. Mohebbi Dehaghani 2
  • K. Qaderi 1
1 Assistant Prof, Department of Water Engineering, College of Agriculture, Shahid Bahonar University of Kerman, Kerman, Iran.
2 M.Sc. graduate in Water Resources Engineering, Department of Water Engineering, College of Agriculture, Shahid Bahonar University of Kerman, Kerman, Iran
چکیده [English]

Accurate estimation of evapotranspiration has a great influence on water resources management and planning, especially in arid and semi-arid areas. Different methods have been presented by researchers for evapotranspiration estimation. These include a variety of empirical equations and data-driven methods. In this study to estimate the daily reference evapotranspiration at eight semi-arid climates in Iran, three methods based on the adaptive network-based fuzzy inference system (ANFIS), support vector machines (SVM), and model tree (M5) as well as five empirical equation were used. Meteorological data including maximum and minimum temperatures, relative humidity, wind speed, and the sunshine hours were used. Eleven different combinations of these variables have been used as input variables in data-driven methods for evapotranspiration modeling for the period of 1980 to 2009. Eighty percent of the data were used for the training and twenty percent were used to test the models. The results were compared with those of the standard Penman-Monteith FAO-56 equation. Performance of the methods was evaluated using statistical indices of mean square of error (RMSE), coefficient of determination (R2), and index of agreement (d). Support vector machines and adaptive networks based on fuzzy inference system methods presented best performance with RMSE between 0.24~1.55 (mm.day-1) in nine combination of meteorological variables. RMSE of empirical equations varied between 0.71~5.96 (mm day-1). Blaney-Criddle and McGunness-Bordne equation presented the highest accuracy in most stations. M5 model has a lower performance compared to ANFIS and SVM methods in the studied climates.

کلیدواژه‌ها [English]

  • Daily Reference Evapotranspiration
  • Empirical equations
  • Semi-arid climates
  • ANFIS
  • SVM
  • M5

مراجع

احمدزاده قره گیوز ک، میرلطیفی س م، محمدی ک ( 1389) مقایسه سیستم‌های هوشمند (ANN و ANFIS) در تخمین میزان تبخیر-تعرق گیاه مرجع در مناطق بسیار خشک. نشریه آب و خاک، جلد 24، شماره چهار: 689-679.
بختیاری ب، لیاقت ع، خلیلی ع، خانجانی م (1388) ارزیابی دو مدل ترکیبی برآورد تبخیر-تعرق مرجع چمن در بازه زمانی ساعتی (مطالعه موردی اقلیم کرمان). علوم و فنون کشاورزی و منابع طبیعی، علوم آب و خاک، سال 13، شماره 50: 26-13.
بیات‌ورکشی م، زارع‌ابیانه ح، معروفی ص، سبزی‌پرور ع ا، سلطانی ف (1388) شبیه‌سازی تبخیرتعرق گیاه مرجع به روش هوش مصنوعی و روش‌های تجربی در مقایسه با اندازه‌گیری‌های لایسیمتری در اقلیم نیمه‌خشک سرد همدان. مجله پژوهش‌های حفاظت آب و خاک، جلد 16، شماره چهار: 100-79.
رحیمی خوب ع، محمودی ع (1390) برآورد تبخیر-تعرق واقعی از سطح حوضه آبخیز با استفاده از مدل‌های شبکه عصبی و حداقل داده‌های هواشناسی- مطالعه موردی حوضه معرفه امامه. تحقیقات منابع آب ایران، جلد 7، شماره 4: 61-51.
شاهدی ک، زارعی م (1390)  ارزیابی روش‌های برآورد تبخیر- تعرق پتانسیل در استان مازندران. فصلنامه علمی پژوهشی مهندسی آبیاری و آب سال اول، شماره 3: 21 -11.
شهابی فر م، عصاری م، کوچک زاده م، عزیزی زهان ع ا (1386) ارزیابی شش روش محاسباتی تبخیر- تعرق سطح مرجع با داده‌های لایسیمتری در شرایط گلخانه‌ای. اولین کارگاه فنی ارتقاء کارایی مصرف آب با کشت محصولات گلخانه‌ای کمیته آبیاری و زهکشی ایران-تهران.
علیزاده ا ( 1387) اصول هیدرولوژی کاربردی. انتشارات دانشگاه امام رضا (علیه‌السلام)، چاپ 24، 870 صفحه.
مرادی ح، تمنا م، انصاری ح، نادریان فر م (1391) سیستم‌های استنتاج فازی جهت برآورد تبخیر تعرق مرجع ساعتی (مطالعه موردی: منطقه فریمان). مجله پژوهش‌های حفاظت آب و خاک. جلد نوزدهم، شماره 1: 168-153.
Allen RG, Pereira LS, Raes D and Smith M (1998) Crop evapotranspiration guidelines for computing crop water requirements. FAO Irrigation and Drainage, Paper No. 56., FAO, Rome.
Bhattacharya B and Solomatine DP (2005) Machine learning in sedimentation modeling. Neural Networks, 19: 208–214.
Bhattacharya B and Solomatine DP (2005) Neural networks and M5 model trees in modelling water level–discharge relationship. Neuro computing, 63: 381–396.
Blaney HF and Criddle WD (1950) Determining water requirements in irrigated areas from climatological and irrigation data. Soil conservation service technical paper 96, Soil conservation service. US Department of Agriculture, Washington.
Ditthakit P and Chinnara Sri C (2012) Estimation of pan coefficient using M5 model tree. American Journal of Environmental Sciences, 8 (2): 95-103.
Douglas EM, Jacobs JM, Sumner DV and Ray RL (2009) A comparison of models for estimating potential evapotranspiration for Florida land cover types. Journal of Hydrology, 373: 366-376.
Eslamian SS, Abedi-Koupai J, Amiri MJ and Gohari SA (2009) Estimation of daily reference evapotranspiration using support vector machines and, artificial neural networks in greenhouse. Research Journal of Environmental Sciences, 3 (4): 439-447.
Hargreaves GH and Samani ZA (1985) Reference crop evapotranspiration from temperature. Applied Engineering in Agriculture, 1(2):96–99
Kisi O and Cimen M (2009) Evapotranspiration modelling using support vector machines. Hydrological Sciences Journal, 54(5): 918-928.
Oudina L, Hervieua F, Michela C, Perrina C, Andre´assiana V, Anctilb F and Loumagnea C (2005) Which potential evapotranspiration input for a lumped rainfall–runoff model? Part 2—Towards a simple and efficient potential evapotranspiration model for rainfall–runoff modeling. Journal of Hydrology, 303(1–4): 290-306.
Quinlan JR (1992) Learning with continuous clases. In: Adams, A. sterling, L. (eds) Proc. AI’92, 5th Australian Joint Conference on Artificial Intelligence. World Scientific, Singapore, pp 343–348.
Shing J and Jang R (1993) ANFIS: Adaptive-Network-Based Fuzzy Inference System. Man and Cybernetics, 23(3): 665-685.
 
 

فایل ها

سابقه مقاله

  • تاریخ دریافت: 22 فروردین 1394
  • تاریخ پذیرش: 17 تیر 1394

هم رسانی

ارجاع به این مقاله

آمار