واسنجی معادلات تجربی تبخیر و تعرق روزانه و مقایسه با نتایج شبکه های عصبی مصنوعی در شرایط مختلف کمبود داده های هواشناسی

نویسندگان

1 استادیار گروه مهندسی آب، دانشگاه علوم کشاورزی و منابع طبیعی گرگان

2 دانشجوی کارشناسی ارشد مهندسی منابع آب، گروه مهندسی آب، دانشگاه علوم کشاورزی و منابع طبیعی گرگان

3 استادیار گروه مهندسی آب، گروه مهندسی آب، دانشگاه علوم کشاورزی و منابع طبیعی گرگان

4 دانشجوی کارشناسی ارشد مهندسی آبخیزداری، گروه مهندسی آبخیزداری، دانشکده منابع طبیعی و علوم دریایی، دانشگاه تربیت مدرس

چکیده

برآورد صحیح تبخیر و تعرق گیاه مرجع (ETo) در مدیریت منابع آب و برنامه ریزی سیستم های آبیاری اهمیت ویژه ای دارد. روش فائو پنمن - مانتیث (F-P-M) به عنوان روش استاندارد برای محاسبه ETo، به پارامترهای دما، رطوبت نسبی، ساعات آفتابی و سرعت باد نیاز دارد که در اکثر ایستگاه های هواشناسی امکان اندازه گیری همه آن ها وجود ندارد، لذا در چنین شرایطی نیاز به معادلات تجربی با پارامترهای هواشناسی کمتر می باشد. شبکه های عصبی نیز می توانند برای تخمین پدیده هایی مانند ETo که متغیرهای آن دارای روابط داخلی غیرخطی و پیچیده اند، به کار برده شوند. در این تحقیق، با استفاده از داده های روزانه ایستگاه سینوپتیک گرگان هفت مدل شبکه عصبی مصنوعی با ساختارهای مختلف از پارامترهای هواشناسی به عنوان ورودی طراحی گردید. تبخیر و تعرق پتانسیل نیز از پنج معادله تجربی فائو پنمن - مانتیث (F-P-M)، هارگریوز - سامانی (HS)، تورک (T)، پریستلی - تیلور (PT) و مک کینک (MK) و شش معادله تخمینی که در آن ها پارامترهای رطوبت نسبی و یا تابش خورشیدی معادلات تجربی با استفاده از داده های دمایی برآورد گردیدند، محاسبه شد. معادلات تجربی و تخمینی با استفاده از روش استاندارد F-P-M، در دوره آموزش (81-1371) واسنجی و ضرایب آن ها تعیین گردید. سپس براساس پارامترهای موردنیاز جهت تخمین ETo معادلات تجربی، تخمینی واسنجی شده و مدل های شبکه عصبی به سه گروه تقسیم و با استفاده از معیارهای آماری R2، RMSE و MBE در دوره آزمون (سال های 6-1382) در گروه های سه گانه با هم مقایسه شدند. نتایج نشان داد که مدل های شبکه عصبی مصنوعی ایجاد شده در هر سه گروه نسبت به معادلات تجربی از دقت بالاتری برخوردارند: در گروه معادلات ایجاد شده براساس دما و یا رطوبت نسبی مدل ANN 3 و معادله HS با ریشه میانگین مربعات خطا (RMSE) برابر با 423/0 و 551/0 میلی متر بر روز، در گروه معادلات ایجاد شده براساس پارامتر تابش خورشیدی مدل ANN 4 و معادله T با RMSE برابر با 372/0 و 518/0 میلی متر بر روز و در گروه سوم که پارامترهای آن مشابه با روش F-P-M بودند مدل ANN 6 و معادله F-P-MRHest با آماره RMSE برابر با 208/0 و 310/0 میلی متر بر روز از دقت بالاتری برخوردار بودند.

کلیدواژه‌ها


عنوان مقاله [English]

Calibration of Empirical Equations to Estimate the Daily Reference Evapotranspiration and Comparison with ANNs Models under the Lack of Meteorological Data

نویسندگان [English]

  • Amir Ahmad Dehghani 1
  • Mohammad Ghabaei Sough 2
  • Hossein Sharifan 3
  • Navid Dehghani 4
چکیده [English]

Accurate estimation of reference evapotranspiration plays a key role in water resources management and irrigation scheduling. The FAO Penman-Monteith (F-P-M) is a reference method for calculation of evapotranspiration that needs temperature, humidity, wind speed and solar radiation. In many stations, it is not an easy task to measure the whole weather variables. Thus, in this situation, one must use some of the equations that require less climatic data. ANNs are an effective tools to model nonlinear phenomena with an interaction relationship. In this study, Seven ANNs with different input combinations have been implemented and compared with ten locally calibrated empirical and semi-empirical ETo equations (with estimated solar radiation and humidity parameters as inputs) in Gorgan synoptic station. The comparisons have been based on the basis of statistical error techniques, using F-P-M daily ETo values as a reference. ANNs have obtained better results than the locally calibrated ETo equations in the three groups: temperature and/or relative humidity based methods ANN 3model and HS equation with RMSE equal to 0.422 and 0.551mm d-1, respectively; solar radiation-based methods ANN 4 model and T equation with RMSE equal to 0.372 and 0.518 mm d-1, respectively and methods based on similar requirements to those of PM56 except for the estimation of solar radiation and/ or relative humidity ANN 6 and F-P-MRHest equation with RMSE equal to 0.208 and 0.310 mm d-1, respectively.

کلیدواژه‌ها [English]

  • Artificial Neural Networks
  • calibration
  • Empirical and semi empirical equation
  • evapotranspiration
  • Gorgan province