Estimation of Daily Reference Evapotranspiration with Limited Meteorological Data in Selected Iran’s Semi-Arid Climates

Document Type : Original Article

Authors

1 Assistant Prof, Department of Water Engineering, College of Agriculture, Shahid Bahonar University of Kerman, Kerman, Iran.

2 M.Sc. graduate in Water Resources Engineering, Department of Water Engineering, College of Agriculture, Shahid Bahonar University of Kerman, Kerman, Iran

3 Assistant Professor, Department of Water Engineering, College of Agriculture, Shahid Bahonar University of Kerman, Kerman, Iran

Abstract

Accurate estimation of evapotranspiration has a great influence on water resources management and planning, especially in arid and semi-arid areas. Different methods have been presented by researchers for evapotranspiration estimation. These include a variety of empirical equations and data-driven methods. In this study to estimate the daily reference evapotranspiration at eight semi-arid climates in Iran, three methods based on the adaptive network-based fuzzy inference system (ANFIS), support vector machines (SVM), and model tree (M5) as well as five empirical equation were used. Meteorological data including maximum and minimum temperatures, relative humidity, wind speed, and the sunshine hours were used. Eleven different combinations of these variables have been used as input variables in data-driven methods for evapotranspiration modeling for the period of 1980 to 2009. Eighty percent of the data were used for the training and twenty percent were used to test the models. The results were compared with those of the standard Penman-Monteith FAO-56 equation. Performance of the methods was evaluated using statistical indices of mean square of error (RMSE), coefficient of determination (R2), and index of agreement (d). Support vector machines and adaptive networks based on fuzzy inference system methods presented best performance with RMSE between 0.24~1.55 (mm.day-1) in nine combination of meteorological variables. RMSE of empirical equations varied between 0.71~5.96 (mm day-1). Blaney-Criddle and McGunness-Bordne equation presented the highest accuracy in most stations. M5 model has a lower performance compared to ANFIS and SVM methods in the studied climates.

Keywords

References

احمدزاده قره گیوز ک، میرلطیفی س م، محمدی ک ( 1389) مقایسه سیستم‌های هوشمند (ANN و ANFIS) در تخمین میزان تبخیر-تعرق گیاه مرجع در مناطق بسیار خشک. نشریه آب و خاک، جلد 24، شماره چهار: 689-679.
بختیاری ب، لیاقت ع، خلیلی ع، خانجانی م (1388) ارزیابی دو مدل ترکیبی برآورد تبخیر-تعرق مرجع چمن در بازه زمانی ساعتی (مطالعه موردی اقلیم کرمان). علوم و فنون کشاورزی و منابع طبیعی، علوم آب و خاک، سال 13، شماره 50: 26-13.
بیات‌ورکشی م، زارع‌ابیانه ح، معروفی ص، سبزی‌پرور ع ا، سلطانی ف (1388) شبیه‌سازی تبخیرتعرق گیاه مرجع به روش هوش مصنوعی و روش‌های تجربی در مقایسه با اندازه‌گیری‌های لایسیمتری در اقلیم نیمه‌خشک سرد همدان. مجله پژوهش‌های حفاظت آب و خاک، جلد 16، شماره چهار: 100-79.
رحیمی خوب ع، محمودی ع (1390) برآورد تبخیر-تعرق واقعی از سطح حوضه آبخیز با استفاده از مدل‌های شبکه عصبی و حداقل داده‌های هواشناسی- مطالعه موردی حوضه معرفه امامه. تحقیقات منابع آب ایران، جلد 7، شماره 4: 61-51.
شاهدی ک، زارعی م (1390)  ارزیابی روش‌های برآورد تبخیر- تعرق پتانسیل در استان مازندران. فصلنامه علمی پژوهشی مهندسی آبیاری و آب سال اول، شماره 3: 21 -11.
شهابی فر م، عصاری م، کوچک زاده م، عزیزی زهان ع ا (1386) ارزیابی شش روش محاسباتی تبخیر- تعرق سطح مرجع با داده‌های لایسیمتری در شرایط گلخانه‌ای. اولین کارگاه فنی ارتقاء کارایی مصرف آب با کشت محصولات گلخانه‌ای کمیته آبیاری و زهکشی ایران-تهران.
علیزاده ا ( 1387) اصول هیدرولوژی کاربردی. انتشارات دانشگاه امام رضا (علیه‌السلام)، چاپ 24، 870 صفحه.
مرادی ح، تمنا م، انصاری ح، نادریان فر م (1391) سیستم‌های استنتاج فازی جهت برآورد تبخیر تعرق مرجع ساعتی (مطالعه موردی: منطقه فریمان). مجله پژوهش‌های حفاظت آب و خاک. جلد نوزدهم، شماره 1: 168-153.
Allen RG, Pereira LS, Raes D and Smith M (1998) Crop evapotranspiration guidelines for computing crop water requirements. FAO Irrigation and Drainage, Paper No. 56., FAO, Rome.
Bhattacharya B and Solomatine DP (2005) Machine learning in sedimentation modeling. Neural Networks, 19: 208–214.
Bhattacharya B and Solomatine DP (2005) Neural networks and M5 model trees in modelling water level–discharge relationship. Neuro computing, 63: 381–396.
Blaney HF and Criddle WD (1950) Determining water requirements in irrigated areas from climatological and irrigation data. Soil conservation service technical paper 96, Soil conservation service. US Department of Agriculture, Washington.
Ditthakit P and Chinnara Sri C (2012) Estimation of pan coefficient using M5 model tree. American Journal of Environmental Sciences, 8 (2): 95-103.
Douglas EM, Jacobs JM, Sumner DV and Ray RL (2009) A comparison of models for estimating potential evapotranspiration for Florida land cover types. Journal of Hydrology, 373: 366-376.
Eslamian SS, Abedi-Koupai J, Amiri MJ and Gohari SA (2009) Estimation of daily reference evapotranspiration using support vector machines and, artificial neural networks in greenhouse. Research Journal of Environmental Sciences, 3 (4): 439-447.
Hargreaves GH and Samani ZA (1985) Reference crop evapotranspiration from temperature. Applied Engineering in Agriculture, 1(2):96–99
Kisi O and Cimen M (2009) Evapotranspiration modelling using support vector machines. Hydrological Sciences Journal, 54(5): 918-928.
Oudina L, Hervieua F, Michela C, Perrina C, Andre´assiana V, Anctilb F and Loumagnea C (2005) Which potential evapotranspiration input for a lumped rainfall–runoff model? Part 2—Towards a simple and efficient potential evapotranspiration model for rainfall–runoff modeling. Journal of Hydrology, 303(1–4): 290-306.
Quinlan JR (1992) Learning with continuous clases. In: Adams, A. sterling, L. (eds) Proc. AI’92, 5th Australian Joint Conference on Artificial Intelligence. World Scientific, Singapore, pp 343–348.
Shing J and Jang R (1993) ANFIS: Adaptive-Network-Based Fuzzy Inference System. Man and Cybernetics, 23(3): 665-685.
 
 

Files

History

  • Receive Date: 11 April 2015
  • Accept Date: 08 July 2015

Share

How to cite

Statistics