کاربرد شبکه عصبی مصنوعی در پیش بینی تبخیر-تعرق با حداقل داده های هواشناسی

نوع مقاله: مقاله اصلی

نویسندگان

1 دانشجوی کارشناسی ارشد، مهندسی آب (آبیاری و زهکشی)، دانشگاه ارومیه

2 دانشجوی دکتری مهندسی منابع آب، دانشکده مهندسی آب، دانشگاه ارومیه

3 دانشیار گروه مهندسی آب، دانشگاه ارومیه

4 دانشجوی دکتری مهندسی آب (آبیاری و زهکشی)، دانشگاه ارومیه

چکیده

برآورد دقیق تبخیر- تعرق در اعمال مدیریت بهینۀ منابع آب، ضروری است. تبخیر - تعرق مؤلفه مهمی در توازن آب در مناطق مختلف به شمار می‌رود. مهندسین آب با علم به اینکه چه مقدار از آب آبیاری به مصرف محصول می‌رسد، قادر به محاسبه مهمترین جز آب در سیکل هیدرولوژیک یعنی تبخیر - تعرق خواهند بود. در مطالعه حاضر تبخیر– تعرق روزانه دشت ارومیه با استفاده از داده‌های هواشناسی طی دوره آماری 1390 – 1363 به روش فائو– پنمن– مونتیث محاسبه و مبنای کار قرار گرفت. سپس تبخیر– تعرق با استفاده از سناریوهای مختلف با پارامترهای ورودی متفاوت، با دو مدل MLP و RBF شبکه عصبی محاسبه شد. نتایج نشان دهنده برآورد تبخیر – تعرق روزانه با دقت قابل قبول (985/0RMSE= و 963/0R2= برای شبکه MLP و 537/0RMSE= و 963/0 R2=برای شبکه RBF) با استفاده از تنها سه پارامتر دمای متوسط، ساعت آفتابی و سرعت باد می‌باشند. همچنین با مشاهده و بررسی تمام سناریو‌ها می‌توان گفت که معادله تبخیر - تعرق نسبت به پارامترهای ساعت آفتابی، سرعت باد و دما وابستگی بیشتری دارد. گرچه هر دو شبکه MLPو RBF با دقت بسیار بالایی مقدار تبخیر – تعرق را محاسبه می کنند اما در کل دقت شبکه MLP نسبت به شبکه RBF بیشتر است.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Forecasting evapotranspiration using artificial neural networks with the lowest meteorological data

نویسندگان [English]

  • Tohid Aligolinia 1
  • Negar Rasouli Majd 2
  • Hossein Rezaie 3
  • Anahita Jabbari 4
1 M.Sc. Student of Water Engineering (Irrigation and Drainage), Department of Water Engineering. Urmia University, Urmia, Iran
2 PhD Student of Water Resources Engineering, Department of water Engineering. Urmia University, Urmia, Iran
3 Associate Professor of Water Engineering department, Urmia University
4 PhD Student, Water Engineering (Irrigation and Drainage), Department of Water Engineering. Urmia University, Urmia, Iran
چکیده [English]

Accurate estimating evapotranspiration is crucial for water resource management. Evapotranspiration is an important component in water balance in different areas. Knowing the amount of water consumed per product, water engineers are able to calculate evapotranspiration as the most important component of hydrological cycle. In this study, the daily evapotranspiration of Urmia Plain was calculated using meteorological data during the period of 1984-2011 using FAO - Penman - Monteith as a base method. Then, evapotranspiration was calculated with the help of MLP and RBF neural network models using different scenarios with different input parameters. The results indicated that the daily evapotranspiration could be predicted with acceptable accuracy (RMSE = 0.985 and R2 = 0.963 for MLP network and RMSE = 0.537 and R2 = 0.963 for RBF network) using only three parameters: average temperature, sunshine hours, and wind speed. In general, it can be observed that evapotranspiration equation is more depended on the sunshine hours, wind speed, and temperature. Both MLP and RBF networks could be used for calculating the amount of evapotranspiration with high accuracy, but total accuracy of MLP network is more than RBF network.

کلیدواژه‌ها [English]

  • Eevapotranspiration
  • FAO - Penman – Monteith Method
  • Artificial Neural Networks
  • Urmia Plain