محیط زیست و مهندسی آب

شماره جاری

بر اساس شماره‌های نشریه

بر اساس نویسندگان

بر اساس موضوعات

نمایه نویسندگان

نمایه کلیدواژه ها

درباره نشریه

اهداف و چشم انداز

اعضای هیات تحریریه

بانک ها و نمایه نامه ها

اطلاعات آماری نشریه

فرایند پذیرش مقالات

پرسش‌های متداول

پیوندهای مفید

اخبار و اعلانات

فرمت مقاله

فرمها و فایلهای لازم

پرداخت هزینه

راهنمای استفاده از سایت مجله

اصول اخلاقی انتشار مقاله

سیاست دسترسی آزاد

اصول بایگانی

مقایسه عملکرد مدل‌های رگرسیون فازی با روش پنمن-مانتیث در برآورد تبخیر و تعرق ماهانه گیاه مرجع در دشت نیشابور

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانش‌آموخته کارشناسی ارشد، گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه بیرجند، بیرجند، ایران

2 دانشیار، گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه بیرجند، بیرجند، ایران

3 استاد، گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه بیرجند، بیرجند، ایران

چکیده

در پژوهش حاضر از رهیافت­های رگرسیون فازی به‌منظور برآورد مقادیر تبخیر-تعرق گیاه مرجع در دشت نیشابور بهره گرفته شد. داده­ها شامل دمای حداکثر (Tmax)، دمای حداقل (Tmin)، دمای متوسط هوا (Tmean)، رطوبت نسبی (RH)، ساعات آفتابی (Rs) و سرعت باد در m 2 از سطح زمین (U2) بود. داده­های مورداستفاده از ایستگاه هواشناسی سینوپتیک نیشابور اخذ شده و برای هریک از مدل­های رگرسیون امکانی و کم­ترین مربعات فازی، 3 سناریو مختلف جهت برآورد تبخیر و تعرق گیاه مرجع طراحی شد. برای ارزیابی عملکرد مدل­های رگرسیون فازی در مقایسه با روش استاندارد پنمن-مانتیث از ضریب تبیین، میانگین مربعات خطا و خطای مطلق میانگین استفاده شد. نتایج نشان داد مدل رگرسیون امکانی فازی در ماه دی و مدل رگرسیون کم­ترین مربعات فازی در ماه مهر با ضریب تبیین به­ترتیب 903/0 و 502/0 بیش­ترین و کم‌ترین دقت را داشت. در بین مدل­های پیشنهادی جدید، اگرچه مدل رگرسیون امکانی فازی تحت سناریو شماره 1 بالاترین دقت را داشته، اما در هر دو مدل رگرسیون فازی، سناریو 2 علی­رغم دارا بودن پارامترهای ورودی کمتر (Tmin، RH و Rs)، دقت قابل‌مقایسه‌ای با سایر سناریوها دارد و لذا می­توان استفاده از آن را در شرایط کمبود داده به‌عنوان رویکرد بهینه در تعیین ETo برای برنامه‌ریزی آبیاری و مدیریت منابع آب پیشنهاد نمود.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Efficiency Comparison of Fuzzy Regression Models with the Penman-Monteith Method in Estimating of Monthly Reference Evapotranspiration of Neyshabour Plain

نویسندگان [English]

  • Sepide Zeraati Neyshabouri 1
  • Mohsen Pourreza Bilondi 2
  • Abbas Khashei-Siuki 3
  • Ali Shahidi 2

1 M.Sc. Alumni, Department of Water Resource Management, Faculty of Agriculture, University of Birjand, Birjand, Iran

2 Assoc. Professor, Department of Water Engineering, Faculty of Agriculture, University of Birjand, Birjand, Iran

3 Professor, Department of Water Engineering, Faculty of Agriculture, University of Birjand, Birjand, Iran

چکیده [English]

In this study, fuzzy linear and fuzzy least-squres regression approach was employed to estimate the monthly reference evapotranspiration of Neyshabour plain. The data used, including maximum temperature (Tmax), minimum temperature (Tmin), mean temperature (Tmean), relative humidity (RH), solar radiation (Rs) and wind speed (U2), were obtained from synaptic meteorological station of Neyshabour. Three different scenarios were designed to estimate the evapotranspiration for either fuzzy linear or fuzzy least-squres regression models. Mean absolute error (MAE), root mean square error (RMSE), and the coefficient of determination (R2) were used to evaluate the performance fuzzy regression models and its comparison with FAO-56 Penman-Monteith. Results indicated that the fuzzy linear regression model in January and the fuzzy least squares regression model in October had the highest and lowest accuracy with R2 of 0.903 and 0.502, respectively. Among the new proposed models, the fuzzy linear regression under scenario FLR1 (Inputs included Tmax, Tmin, RH and U2) had the highest accuracy, however, in both regression models, despite having lower input parameters (Tmean, RH and Rs), the second scenario, was comparable with other and therefore it can be used in data deficit conditions as an optimal approach in determining ETo for irrigation planning and water resource management.

کلیدواژه‌ها [English]

  • Efficiency
  • Evapotranspiration
  • Neyshabour Plain
  • Modelling
  • Regression
مراجع
Abtahi, M., Danesh, S., Davari, K. and Ghasemi, S. A. (2015). Investigating the Changes in the Quality of Groundwater in Neishabour Plain and its Possible Reasons. Water Soil Conserv. Res., 22 (4), 171-186 [In Persian].
Allen, R. G., PereiraRaes, L. S. and Smith, M. (1998). Crop evapotranspiration. Guidelines for computing crop water requirements. FAO Irrigation and Drainage Paper 56, Food and Agricultural Organization of the United Nations (FAO), Rome.
Baba, A. P., Shiri, J., Kisi, O., Fard, A. F., Kim, S. and Amini, R. (2013). Estimating daily reference evapotranspiration using available and estimated climatic data by adaptive neuro-fuzzy inference system (ANFIS) and artificial neural network (ANN). Hydrol. Res., 44(1), 131–146.
Chachi, J., Taheri, S. M. and Arghami, N. R. (2014). hybrid fuzzy regression model and its application in hydrology engineering. Appl. Soft Computi., 25, 149-158.
Citakoglu, H., Cobaner, M., Haktanir, T. and Kisi, O. (2014). Estimation of monthly mean reference evapotranspiration in Turkey. Water Resour. Manage., 28(1), 99-113.
Efthimiou, N., Alexandris, S., Karavitis, C. and Mamassis, N. (2013). Comparative analysis of reference evapotranspiration estimation between various methods and the FAO56 Penman - Monteith procedure. Europ. Water, 42, 19-34.
Feng, Y., Cui, N., Zhao, L., Hu, X. and Gong, D. (2016). Comparison of ELM, GANN, WNN and empirical models for estimating reference evapotranspiration in humid region of Southwest China. J. Hydrol., 536, 376-383.
Ghorbani, M., Shokri, S., and Boroumandansab, S. (2016). The Study of neural network function in estimating reference plant evapotranspiration (Case study: Ahvaz synoptic station. Wetland Ecobiology Res. 23-34 [In Persian].
Hulme, M. Z., Zhao, C. and Jiang, T. (1994). Recent and future climate change in East Asia. Int. J. Climat., 14, 637-.658.
Javaheri, N., Qameshi, M. and Kashifipour, Q. M. (2005). Comparison of statistical and fuzzy regression methods for estimating sediment load of Karun and Dez rivers. Agri. Sci. J., 28(2), 183-198 [In Persian].
Karimi, S., Shirani, J. and Nazemi, A. H. (2013). Estimation of daily evapotranspiration of reference plant using artificial intelligence systems and empirical equations. J. Water Soil Sci., 223(2), 139-158 [In Persian].
Kisi, O. (2006) Evapotranspiration estimation using feed-forward neural networks. Nord Hydrol., 37(3), 247–260.
Kisi, O. (2007). The potential of different ANN techniques in evapotranspiration modeling. Journal of Hydrological Process, 22(14), 2449-2460.
Kisi, O., (2013). Applicability of Mamdani and Sugeno fuzzy genetic approaches for modeling reference evapotranspiration. J. Hydrol., 504, 160–170.
Koureh Pazan Dezfuli, A. (2015). The principles of theory of fuzzy collections and its applications in modeling water engineering issues. Jihad University Publishing house, Amirkabir University of Technology, fourth edition [In Persian].
Martí, P., Gonzalez-Altozano, P., Lopez-Urrea, R., Mancha, L. A. and J. Shiri. (2015). Modeling reference evapotranspiration with calculated targets. Assessment and implications. Agri. Water Manag., 149, 81–90.
Moskowitz, H. and Kim, K. (1993). On assessing the H value in fuzzy linear regression. Fuzzy Set. Syst., 58(2), 303-327.
Sadatinejad, S. J., Hasanshahi, R., Shayanfar, M. and Abdollahi, K. H. (2011). Evaluation of fuzzy regression efficiency for reconstructing missing annual precipitation data in Karoon Basin. Environ. Sci., 8(3), 109-116 [In Persian].
Savic, D. A. and Pedrycz, W. (1991). Evaluation of fuzzy linear regression models. Fuzzy Set. Syst., 39(1), 51-63.
Shayannejad, M., Sadatinejad, S. J. and Fahmi, H. (2008). Determination of potential evapotranspiration using the fuzzy regression method. J. Water Resour. Res. 3, 76-86 [In Persian].
Shiri, J., Sadraddini, A. A., Nazemi, A. H., Kisi, O., Landeras, G., Fard, A. H. and Marti, P. (2014). Generalizability of gene expression programming-based approaches for estimating daily reference evapotranspiration in coastal stations of Iran. J. Hydrol. 508, 1–11.
Shiri, J., Kisi, O., Landeras, G., López J. J., Nazemi, A. H. and Stuyt, C. P. M. L. (2012). Daily reference evapotranspiration modeling by using genetic programming approach in the Basque Country (Northern Spain). J. Hydrol. 414, 302–316.
Silva, D. O., Meza, F. J. and Varas, E. (2009). Use of mesoscale model MM5 forecasts as proxies for surface meteorological and agroclimatic variables. Cienc. Inv. Agr. 36(3), 369–380.
Spiliotis, M., Papadopoulos, C., Angelidis, P., and Papadopoulos, B. (2018). Hybrid fuzzy-probabilistic analysis and classification of the hydrological drought. Proceed. 2(11), 643-655.
Tabari, H., Kisi, O., Ezani, A. and Talaee, P. H. (2012). SVM, ANFIS, regression and climate based models for reference evapotranspiration modeling using limited climatic data in a semi-arid highland environment. J. Hydrol. 777, 78–89.
Tanaka, H. and Uejima, S. (1982). Linear regression analysis with fuzzy model. IEEE Trans. Syst. Man. Cybernet., 12, 903-907.
Torres, A. F., Walker, W. R. and Mckee, M. (2011). Forecasting daily potential evapotranspiration using machine learning and limited climatic data. Agric. Water Manag., 98(4), 553-562.
Traore, S., Wang, Y. M. and Kerh, T. (2010). Artificial neural network for modeling reference evapotranspiration complex process in Sudano-Sahelian zone. Agri. Water Manag., 97(5), 707–714.
Velayati, S. (2000). The most important factors affecting the quality changes of the Neyshabour plain. Quart. J. Geogr. Res., 15, 42-58. [In Persian].
Wang, H. F. and Tsaur, C. (2000). Insight of fuzzy regression model. Fuzzy Set. Syst., 12(1), 355- 369.
Yavari, M., Omidvari, O., Davari, K., Farid Hosseini, A. and Nanlou, M. (2013). Evaluation of experimental methods in estimation of large-scale actual annual evapotranspiration using estimated evapotranspiration from SEBAL for Neyshabour Plain. Irrig. Water Eng., 5(1), 44-54 [In Persian].
Zanetti, S. S., Sousa, E. F., Oliveira, V. P. S., Almeida, F. T. and Bernardo, S. (2007). Estimating evapotranspiration using artificial neural network and minimum climatological data. J. Irrig.  Drain. Eng., 133(2), 83-89.
محیط زیست و مهندسی آب
دوره 8، شماره 1
فروردین 1401
صفحه 205-217
فایل ها
سابقه مقاله
  • تاریخ دریافت: 05 اردیبهشت 1400
  • تاریخ بازنگری: 10 مرداد 1400
  • تاریخ پذیرش: 11 مرداد 1400
هم رسانی
ارجاع به این مقاله
آمار