ارزیابی کارایی مدل های هوش مصنوعی برای شبیه‌سازی تبخیر در مناطق اقلیمی خشک، نیمه‌خشک و بسیار مرطوب ایران

نوع مقاله : یادداشت فنی (5 صفحه)

نویسندگان

1 دانشجوی کارشناسی، گروه مهندسی عمران، دانشکده فنی و مهندسی، دانشگاه سمنان

2 دانشجوی دکتری مهندسی و مدیریت منابع آب، گروه مهندسی آب و سازه‌های هیدرولیکی، دانشکده فنی و مهندسی، دانشگاه سمنان، سمنان، ایران

3 دانش آموخته دکتری مهندسی و مدیریت منابع آب، گروه آب و محیط زیست، دانشکده مهندسی عمران، دانشگاه علم و صنعت ایران، تهران، ایران

چکیده

در این تحقیق، مدل‌های شبیه‌سازی روزانه تبخیر از تشت با استفاده از شبکه‌ عصبی پرسپترون چندلایه، تابع پایه شعاعی و یک رابطه تجربی بهینه‌سازی شده بر پایه الگوریتم ژنتیک، با 13 ترکیب ورودی از متغیرهای هواشناسی یعنی میانگین دمای روزانه، دمای بیشینه و کمینه، رطوبت نسبی، ساعات آفتابی و سرعت باد توسعه داده شد. این مدلها برای شبیه‌سازی تبخیر در ایستگاه‌های سمنان، شاهرود و رشت با شرایط اقلیمی خشک، نیمه‌خشک و بسیار‌مرطوب به کار گرفته شد. پس از ارزیابی کمی مدلها، ترکیب ورودی شامل دما، رطوبت نسبی، ساعات آفتابی و سرعت باد برای مدلهای شبیه‌سازی تبخیر، با ضریب همبستگی بین 0.56 تا 0.85، ریشه میانگین مربعات خطا بین 1.1 تا 2.6 میلی‌متر و پی‌بایاس 1 تا 29.5 درصد، به عنوان ترکیب ورودی برتر انتخاب شد. با انجام آنالیز حساسیت مدلهای توسعه داده شده، دما و سپس رطوبت نسبی، به عنوان متغیرهای حساس برای شبیه‌سازی تبخیر انتخاب شدند. همچنین رابطه تجربی بهینه‌سازی شده با ترکیب ورودی برتر، توانایی بیشتری برای شبیه‌سازی مقادیر میانگین و انحراف‌معیار تبخیر از خود نشان داد و این مدل به عنوان مدل برتر انتخاب شد. در نهایت توانایی مدل برتر به همراه ترکیب ورودی برتر در شبیه‌سازی تشت تبخیر سه ایستگاه گرمسار (خشک)، دامغان (نیمه خشک) و رامسر (بسیار مرطوب)، با ضرایب همبستگی 0.6 تا 0.84، ریشه میانگین مربعات خطا 1.29 تا 3.16 میلی‌متر و پی‌بایاس 2.1 تا 9.2 درصد، مورد تأیید قرار گرفت.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Evaluation of the Efficiency of Artificial Intelligence Models for Simulating Evaporation in Selected Stations in Dry, Semi-Dry and Very-Wet Climates in Iran

نویسندگان [English]

  • Mohammad Hassan Dehghanipour 1
  • Hamidreza Ghazvinian 2
  • Amirhossein Dehghanipour 3
1 Faculty of Engineering, Semnan University, Semnan, Iran
2 Faculty of Engineering, Semnan University, Semnan, Iran
3 School of Civil Engineering, Iran University of Science and Technology, Tehran, Iran
چکیده [English]

In this study, daily simulation models of pan evaporation were developed using a multilayer perceptron neural network, a radial basis function, and an optimized experimental relationship based on the genetic algorithm with 13 input combinations of climate variables, i.e., average daily temperature, maximum and minimum temperature, relative humidity, sunshine hours and wind speed. These models were applied to simulate evaporation in Semnan, Shahrud, and Rasht stations with dry, semi-dry, and very wet climatic conditions, respectively. The best input combination for simulation models was selected based on the quantitative evaluation results; i.e temperature, relative humidity, sunshine, and wind speed which had a correlation coefficient between 0.56 to 0.85, root mean square error between 1.1 to 2.6 mm, and the PBIS coefficient between 1 to 29.5%. The results of the developed models' sensitivity analysis showed that temperature and then relative humidity are sensitive parameters for evaporation simulation. The optimized experimental relationship with the best input combination among the evaporation simulation models had a greater ability to simulate the mean ​​and standard deviation of evaporation, and the model was selected as the best model. Finally, the ability of the best model with the best input combination was confirmed by its application to simulate the evaporation pan in three stations Garmsar (dry), Damghan (semi-dry), and Ramsar (very wet), resulted in correlation coefficients of 0.6 to 0.84, root mean square errors of 1.29 to 3.16 mm and PBIS coefficients of 2.1 to 9.2%.

کلیدواژه‌ها [English]

  • Artificial intelligence
  • Neural Networks
  • Genetic Algorithm
  • Evaporation
  • Iran
Afkhami H, Malekinezhad H, and esmailzadeh E (2017) Designing of unoring floating cover using Worn tires for evaporation reduction of open water resources. Iran-Water Resources Research 13(3):214–219 (In Persian)
Allawi MF and El-Shafie A (2016) Utilizing RBF-NN and ANFIS methods for multi-lead ahead prediction model of evaporation from reservoir. Water Resources Management 30(13):4773–4788
Dehghanipour AH, Moshir Panahi D, Mousavi H, Kalantari Z, and Tajrishy M (2020) Effects of water level decline in lake Urmia, Iran, on Local Climate Conditions. Water 12(8):2153
Ghazvinian  H, Farzin  Saeed, Karami H, and Mousavi  SF (2020a) Investigating the effect of using polystyrene sheets on evaporation reduction from water-storage reservoirs in arid and semiarid regions (Case study: Semnan city). Journal of Water and Sustainable Development 7(2):45–52
Ghazvinian H, Karami  H, Farzin S, and Mousavi SF (2020b) Experimental study of evaporation reduction using polystyrene coating, wood and wax and its estimation by intelligent algorithms. Irrigation and Water Engineering 11(2):147–165 (In Persian)
Ghazvinian H, Bahrami H, Ghazvinian H, and Heddam S (2020c) Simulation of monthly precipitation in semnan city using ANN artificial intelligence model. Journal of Soft Computing in Civil Engineering 4(4):36–46
Ghazvinian H, Karami H, Farzin S, and Mousavi SF (2020d) Effect of MDF-cover for water reservoir evaporation reduction, experimental, and soft computing approaches. Journal of Soft Computing in Civil Engineering 4(1):98–110
Ghazvinian H, Mousavi S-F, Karami H, Farzin S, Ehteram M, Hossain MS, Fai CM, Hashim H Bin, Singh VP, Ros FC, … El-Shafie A (2019) Integrated support vector regression and an improved particle swarm optimization-based model for solar radiation prediction. PLOS ONE 14(5):e0217634
Ho-Huu V, Nguyen-Thoi T, Truong-Khac T, Le-Anh L, and Vo-Duy T (2018) An improved differential evolution based on roulette wheel selection for shape and size optimization of truss structures with frequency constraints. Neural Computing and Applications 29(1):167–185
Irmak S, Haman DZ, and Jones JW (2002) Evaluation of class a pan coefficients for estimating reference evapotranspiration in humid location. Journal of Irrigation and Drainage Engineering 128(3):153–159
Majidi Kh M, Alizadeh A, Farid A, and Vazifedoust M (2017) Evaporation from lakes and reservoirs: Developing a remote sensing algorithm of refrence and water surface energy balance. Iran-Water Resources Research 13(2):154–169 (In Persian)
Malik A, Kumar A, and Kisi O (2018) Daily pan evaporation estimation using heuristic methods with gamma test. Journal of Irrigation and Drainage Engineering 144(9)
Naderpour H, Nagai K, Fakharian P, and Haji M (2019) Innovative models for prediction of compressive strength of FRP-confined circular reinforced concrete columns using soft computing methods. Composite Structures 215:69–84
Naderpour H, Rezazadeh Eidgahee D, Fakharian P, Rafiean AH, and Kalantari SM (2020) A new proposed approach for moment capacity estimation of ferrocement members using Group Method of Data Handling. Engineering Science and Technology 23(2):382–391
Patle GT, Chettri M, and Jhajharia D (2020) Monthly pan evaporation modelling using multiple linear regression and artificial neural network techniques. Water Supply 20(3):800–808
PIRI J and ANSARI H (2013) Daily pan evaporation modelling with ANFIS and NNARX. Iran Agricultural Research 31(2):51–64 (In Persian)
Qasem SN, Samadianfard S, Kheshtgar S, Jarhan S, Kisi O, Shamshirband S, and Chau K-W (2019) Modeling monthly pan evaporation using wavelet support vector regression and wavelet artificial neural networks in arid and humid climates. Engineering Applications of Computational Fluid Mechanics 13(1):177–187
Rocha H (2009) On the selection of the most adequate radial basis function. Applied Mathematical Modelling 33(3):1573–1583
SINGH VP and XU C-Y (1997) Evaluation and generalization of 13 mass-transfer equations for determining free water evaporation. Hydrological Processes 11(3):311–323
Soultani N (2018) Evaluating efficiency of empirical estimation reference evapotranspiration (Pan based method) in different climate conditionss (Case Study of Iran). Iran-Water Resources Research 14(4):170–183