مدل‌سازی فرآیند تبخیر-تعرق روزانه با استفاده از مدل‌های رگرسیونی و هوشمند (مطالعه موردی)

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشکده گروه مهندسی آب - دانشکده کشاورزی، دانشگاه تبریز،تبریز،ایران

2 گروه علوم و مهندسی آب،دانشکده کشاورزی،دانشگاه تبریز،ایران

3 دانشگاه تبریز

4 گروه مهندسی عمران دانشگاه آزاد اسلامی واحد مرند،مرند،ایران

10.22034/iwrj.2022.10026.2338

چکیده

تبخیر-تعرق نقش مهمی در مدیریت منابع آب منطقه‌ای، تغییرات آب و هوایی و تولید کشاورزی دارد. در این تحقیق، کارآیی برخی از تکنیک‌های داده محور شامل ماشین بردار پشتیبان (SVM)، شبکه‌های عصبی مصنوعی (ANN) و ترکیب آن با تبدیل موجک (WANN)، رگرسیون خطی چند متغیره (MLR ) و درخت تصمیم (Decision Tree) برای پیش‌بینی نرخ تبخیر-تعرق در ایستگاه اسکاتس‌بلوف در ایالت نبراسکا بررسی شده است. برای این منظور، از 5 پارامتر هواشناسی (دمای کمینه، دمای بیشینه، رطوبت نسبی، سرعت باد و تابش خورشیدی) به عنوان ورودی برای مدل‌ها استفاده شده است. داده‌های استفاده شده در این تحقیق اطلاعات هواشناسی روزانه بین سال‌های 2005 و2013 برای آموزش و آزمون مدل‌ها بوده است. به منظور اجرای هر یک از مدل‌ها 8 سناریو با توجه به ترکیب پارامترهای ورودی درنظر گرفته شده است. برای ارزیابی عملکرد تکنیک‌های مورد مطالعه، از سه شاخص آماری مختلف یعنی ریشه میانگین مربع خطا (RMSE)، ضریب همبستگی (R) و ضریب نش‌ساتکلیف (NSE) استفاده، که بدین وسیله نتایج مدل‌ها با داده‌های مشاهداتی بررسی شد. علاوه بر این، نمودارهای تیلور برای آزمایش شباهت بین داده‌های مشاهده شده و پیش‌بینی شده استفاده شد. نتایج نشان داد که در ایستگاه اسکاتس‌بلوف، 8WANN (هشتمین ترکیب ورودی برای مدل WANN است) با توجه به مقادیر ریشه میانگین مربع خطا (RMSE)، ضریب همبستگی (R) و ضریب نش‌ساتکلیف به ترتیب برابر با 097/0 میلیمتر در روز، 999/0 و 999/0 عملکرد بهتری در مقایسه با ANN ، SVM، MLR وDT داشته است. مدل‌های SVM و ANN نیز دقت بسیار خوبی را نشان دادند، و مدل‌های DT و MLR با وجود قابل قبول بودن دقت در آن‌ها از سایر مدل‌ها ضعیف‌تر عمل کردند. به عنوان یک نتیجه‌گیری، نتایج حاصل از مطالعه فعلی ثابت کرد که WANN روندهای معقولی را برای مدل‌سازی اسکاتس‌بلوف در ایستگاه اسکاتس‌بلوف ارائه کرده است.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Daily evapotranspiration modeling using regression and intelligent models (Case Study)

نویسندگان [English]

  • hossein malekahmadi 1
  • Ehsan Mirzania 2
  • sepideh khosravi 3
  • Ali Ebrahim Zadeh 4
1 Department of Water Engineering - Faculty of Agriculture, University of Tabriz
2 Department of Water Science Engineering /Tabriz/Iran
3 Tabriz university
4 Department of Civil Engineering, Islamic Azad University of Marand
چکیده [English]

Evapotranspiration plays an imperative role in management of regional water resources, climate change and agricultural production. In this study efficiency of some data-driven techniques, including support vector machine (SVM), artificial neural networks (ANN) and its hybrid with wavelet transform (WANN), multi linear regression (MLR) and decision tree (DT) for predicting Evapotranspiration rates at Scottsbluff Station in Nebraska have been monitored. For this purpose, 5 meteorological parameters utilized as inputs for the models. Daily meteorological information, data used in this study, were between 2005 - 2013 years to train and test the models. In order to implement each of the models 8 scenarios were considered according to combination of input parameters. For evaluate performance of the studied techniques, three different statistical indices were used which included root mean square error (RMSE), correlation coefficient (R) and Nash-Sutcliffe coefficient (NSE). In addition, Taylor charts were used to test similarity between observation and prediction data. The results showed that at the Scottsbluff station, WANN8 (is the eighth scenario for the WANN model) according to the root mean square error (RMSE), correlation coefficient (R) and Nash-Sutcliffe equal to 0.097, 0.999 and 0.999 performed better than ANN, SVM, MLR and DT. The SVM and ANN models also showed excellent accuracy, and the DT and MLR models performed worse than the other models despite their acceptable accuracy. As a conclusion, the results of the present study were proved that WANN provides reasonable procedures for modeling Scottsbluff at the Scottsbluff station.

کلیدواژه‌ها [English]

  • WANN
  • SVM
  • Decision tree
  • MLR
  • Scottsbluff