تعیین تبخیر ـ تعرق بالقوه با استفاده ازروش رگرسیون فازی

نوع مقاله: مقاله پژوهشی

نویسندگان

1 استادیار/ گروه مهندسی آب دانشگاه شهرکرد

2 استادیار /گروه مهندسی منابع طبیعی دانشگاه شهرکرد

3 مدیر /بخش برنامه ریزی سازمان مدیریت منابع آب ایران

چکیده

شدت تبخیر ـ تعرق بالقوه برای برنامه‌ریزی آبیاری مورد نیاز است که معمولا بر اساس روش‌هایی مبتنی بر داده‌های اقلیمی تخمین زده می‌شود. در حال حاضر روش پنمن-مانتیس یک روش قابل قبول برای تخمین تبخیر ـ تعرق بالقوه  است. بعضی از پارامترهای این روش را نمی‌توان بطور دقیق اندازه‌گیری نمود. در نتیجه با استفاده از پارامترهای اقلیمی تخمین زده می‌شوند. در این مقاله‏، کارایی روش رگرسیون فازی در تخمین تبخیر ـ تعرق بالقوه روزانه (با گیاه مرجع چمن) و مقایسه آن با روش‌های شبکه‌های عصبی مصنوعی و پنمن- مانتیس مورد بررسی قرار گرفته است. برای این کار از اطلاعات اقلیمی و لایسیمتری 5 ساله ایستگاه هواشناسی اکباتان واقع در 10 کیلومتری شهر همدان استفاده شده است. پارامترهای مورد استفاده شامل دمای حداقل و حداکثر هوا، دمای متوسط هوا، رطوبت حداقل و حداکثر هوا، ساعات آفتابی و سرعت باد در مقیاس روزانه می‌باشد. تبخیر ـ تعرق بالقوه بدست آمده از لایسیمتر موجود در آن ایستگاه، به عنوان خروجی هر روش در نظر گرفته شده است. روش رگرسیون فازی با پنج پارامتر ورودی شامل دمای حداقل و حداکثر هوا، رطوبت نسبی متوسط هوا ، ساعات آفتابی و سرعت باد، دارای ضریب تعیین 88/0 و خطای RMSE 69/0 میلی‌متر در روز بود. در حالی که روش شبکه‌های عصبی مصنوعی دارای ضریب تعیین 84/0 و خطای RMSE 74/0 میلی‌متر در روز و روش پنمن-مانتیس دارای ضریب تعیین 84/0 و خطای 21/1 میلی‌متر در روز بود. بنابراین روش رگرسیون فازی بهترین روش جهت تخمین تبخیر ـ تعرق بالقوه نتیجه‌گیری شد.

کلیدواژه‌ها


عنوان مقاله [English]

Determination of Potential Evapotranspiration Using the Fuzzy Regression Method

نویسندگان [English]

  • M Shayannejad 1
  • S. J Sadatinejad 2
  • H Fahmi 3
1 Assistant Professor, Department of Irrigation, College of Agriculture, Shahrekord University, Shahrekord, Iran
2 Assistant Professor , Department of Natural resourses, College of Agriculture, Shahrekord University, Shahrekord, Iran.
3 Head of Planning Division, Water Resources Management Organization, Iran
چکیده [English]

Potential evapotranspiration (ET0) rates are needed for irrigation scheduling. ET0 rates are commonly from weather parameters. The Penman-Monteith, is now accepted for computation of ET0. It requires several input parameters, some of which have no actual measurements but are estimated from measured weather parameters. In this study, the suitability of fuzzy regression was examined for estimating daily potential evapotranspiration with grass reference crop and compared with Artificial Neural Networks (ANN) and Penman-Monteith methods.The daily climatic data  of the Ekbatan station in Hamadan, including maximum and minimum temperature, maximum and minimum relative humidity, wind speed and sunny hours  are introduced as input data and ET0 as output data. ET0 values estimated from the fuzzy regression method were compared with direct ET0 measurements from lysimeters, and with ET0 estimations obtained using the Penman-Manteith equation and the ANN method. The estimated ET0 values from a fuzzy regression model using five input parameters, including maximum and minimum temperature, mean relative humidity, wind speed and sunny hours were obtained with RMSE=0.69mm/day, =0.88. The estimated ET0 values from a artificial neural networks model using the same input parameters were obtained with RMSE=0.74mm/day, =0.84. The estimated ET0 values from Penman-Monteith model  were obtained   with RMSE=1.21mm/day, =0.84. Thus, in this study the fuzzy regression is the best method.
 

کلیدواژه‌ها [English]

  • evapotranspiration
  • Fuzzy Regression
  • Penman-Monteith
Allen, R. G. (1986). “A Penman for all season”. J. Irrig. Drain., ASCE.112(4), pp. 348-368.

Bruton, J. M., McClendon R. W. and Hoogenboom, G. (2000), “Estimating daily pan evaporation with artificial neural network”.  Trans. Of the ASAE. 43(2): pp. 492-496.

Chang, Y.H.O. and Ayyub, B. M. (2001), “Fuzzy regression methods-A comparative assessment”, Fuzzy Sets and Systems, 119(2), pp. 187-203.

Doorenbos, J. and Pruitt, W. O. (1977), Guidelines for Predicting Crop Water Requirements. Irrigation Drainage Paper, No. 24. FAO. Rome. Italy.

Jensen, M.E., Burman R. D. and Allen R. G. (1990), Evapotranspiration And Irrigation Water Requirements. ASCE Manual and Report on Engineering Practice No.70, New York.

Kumar, M., Raghuwanshi N. S., Singh R., Wallender W. W. and Pruitt, W. O. (2002), “Estimating evapotranspiration using artificial neural networks”, J. Irrig. Drain. ASCE.128(4), pp. 224-233.

Lohani, A.K., Goel, N. K. and Bhatia K. K. S. (2006), “Takagi-Sugeno fuzzy inference system for modeling stage-discharge relationship”, J. Hydro. 333, pp. 146-160.

Odhiambo, L. O., Yoder, R. E. and  Yoder D. C. (2001a), “Estimating of reference crop evapotranspiration using fuzzy state models”, Trans. Of the ASAE. 44(3): pp. 543-550.

Odhiambo, L. O., Yoder, R. E., Yoder, D. C. and  Hines, J. W. (2001b), “Optimization of fuzzy evaporation model through neural training with input-output examples”, Trans. Of the ASAE. 44(6), pp. 1625-1633.

Sanchez, J. A. and Gomez, A. T. (2003), “Applications of fuzzy regression in actuarial analysis”, J. Risk  Insur. 70(4), pp. 797-802. 

Tanaka, H., Uejima, S. and Asai, K. (1982), “Linear regression analysis with fuzzy model”, IEEE Trans. Sys. Man., Cybern.,12(6), pp.903-907.    

Trajkovic, S., Todorovic B. and Standkovic, M. (2003), “Forecasting of reference evapotranspiration by artificial neural network”, J. Irrig. Drain., ASCE. 129(6), pp. 454-457.