مدل شبکه عصبی مصنوعی تبخیر ماهانه از تشت با استفاده از داده های هواشناسی- مطالعه موردی منطقه حاشیه دریای خزر

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانش آموخته کارشناسی ارشد /گروه مهندسی آبیاری و زهکشی پردیس ابوریحان دانشگاه تهران.

2 دانشیار/ گروه مهندسی آبیاری و زهکشی پردیس ابوریحان دانشگاه تهران

3 دانشیار /گروه مهندسی آبیاری و زهکشی پردیس ابوریحان دانشگاه تهران..

چکیده

تبخیر یکی از مؤلفه‌های اصلی چرخه آب در طبیعت بوده و تعیین دقیق آن برای بسیاری مطالعات مثل بیلان آبی حوزه، طرح ریزی و مدیریت منابع آب حائز اهمیت است. تبخیر به دلیل اثرات متقابل عوامل متعدد اقلیمی، پدیده پیچیده و غیر خطی است و لذا برای تخمین آن باید از مدل‌های پیشرفته استفاده کرد. در این تحقیق، هشت نوع ترکیب پارامترهای هواشناسی بعنوان داده‌های ورودی برای برآورد تبخیر از تشت  با استفاده از شبکه‌های عصبی برای منطقه شمال کشور مورد بررسی قرار گرفت. داده‌های اندازه‌گیری شده هواشناسی برای یک دوره ده ساله (1996 تا 2003) از 8 ایستگاه هواشناسی واقع در حاشیه دریای خزر جمع‌آوری شد. نتایج نشان داد، پارامترهای دمای بیشینه و کمینه هوا، رطوبت نسبی، سرعت باد و ساعات آفتابی، حداقل داده‌های هواشناسی برای برآورد تبخیر از تشت هستند. میانگین جذر مربع خطا (RMSE) و ضریب تعیین (R2)  بین مقادیر بدست آمده از مدل شبکه عصبی با ورودی‌های فوق و مقادیر واقعی به ترتیب 32/0 میلیمتر در روز و 93/0 بودند. ترسیم مقادیر برآورد شده و واقعی نشان داد، 76 درصد داده‌ها در محدوده %15±  خطا واقع می‌شوند.

کلیدواژه‌ها

عنوان مقاله [English]

Estimation of Monthly Pan Evaporation using Artificial Neural Network Based on Meteorological Data- Case Study; Southern Coasts of the Caspian Sea

نویسندگان [English]

  • S Mahdavi 1
  • A Rahimikhoob 2
  • A Montazar 3
1 M. Sc. former Graduate of Irrigation and Drainage Engineering Dept., College of Aburaiyhan, University of Tehran
2 Associate Professor of Irrigation and Drainage Engineering Dept., College of Aburaiyhan, University of Tehran, Iran
3 Associate Professor of Irrigation and Drainage Engineering Dept., College of Aburaiyhan, University of Tehran, Iran
چکیده [English]

Evaporation is one of the major components of the hydrologic cycle and its accurate estimation is of paramount importance for many studies such as hydrologic water balance and water resources planning and management. Evaporation is a complex and nonlinear phenomenon which depends on several interacting climatological factors. In this study, eight combinations of weather parameters were used as input data for estimating pan evaporation (Ep) for the northern part of Iran. Daily observed weather data for a ten year period (from 1996 to 2005) were used from 8 weather stations located in the southern coasts of the Caspian Sea. This study indicated that the minimum weather data required for estimation of the pan evaporation are maximum and minimum air temperature, relative humidity, wind speed, and sunshine hours. For the data that was studied, the Root Mean Square Error (RMSE) and the coefficient of determination (R2) for the comparison between observed and estimated Ep are 0.32 mm d-1 and 0.93, respectively. A graphical comparison between the observed and the predicted values of Ep showed that 76 percent of the values lie within a scatter of ±15%.

کلیدواژه‌ها [English]

  • evaporation
  • Artificial Neural Networks
  • Meteorological data

مراجع

Allen R. G., Pereira, L. S., Raes, D., and Smith, M. (1998), Crop evapotranspiration. Guidelines for computing crop water requirements. Irrigation and drainage paper no. 56. FAO, Rom, 300p.
Bruton, J. M., Mcclendon, R. W. and Hoogenboom, G. (2000), “Estimating daily pan evaporation with artificial neural networks”, Trans ASAE, 43 (2), pp. 491–496.
Grismer, M. E., Orang, M., Snyder, R., and  Matyac, R. (2002), “Pan evaporation to reference evapotranspiration conversion methods”,120 J Irrig Drain Eng, pp. 180–184.
Hagan, M. T. and Menhaj, M. B. (1994), “Training feedforward networks with the Marquardt algorithm”, IEEE Trans Neural Netw, 5, pp. 989–993.
Hornik, K., Stinchcombe, M. and White, H. (1989), “Multilayer feedforward networks are universal pproximators”, Neural Network, 2, pp. 359–366.
Irmak, S., Haman, D., and Jones, W. (2002), “Evaluation of Class A pan coefficients for estimating reference evapotranspiration in humid location”, J Irrig Drain Eng, 128(3), pp.153–159.
Keskin, M. E. and Terzi O. (2006), “Artificial neural network models of daily pan evaporation”, J Hydrol Eng, 11(1), pp.65–70.
Kumar, M., Raghuwanshi, N. S., Singh, R., Wallender, W. W., Pruitt, W. O. (2002), “ Estimating evapotranspiration using artificial neural network”, J Irrig Drain Eng, 128(4), pp.224–233.
Penman, H. L. (1948), “Natural evaporation from open water, bare soil and grass”, Proceedings of the Royal Meteorological Society, pp. 120–146.
Rahimikhoob,A. (2008a), “Comparative study of Hargreaves’s and artificial neural network’s methodologies in estimating reference evapotranspiration in a semiarid environment”, Irrig. Sci., 26(3),  pp. 253-259.
Rahimikhoob, A. (2008b),”Artificial neural network estimation of reference evapotranspiration from pan evaporation in a semi-arid environment”, Irrig. Sci., 27(1), pp. 35-39.
Sudheer K. P., Gosain, A. K. and Ramasastri, K. S. (2003), “Estimating actual evapotranspiration from limited climatic data using neural computing technique”, J Irrig Drain Eng, 29(3), pp.214-218.
Tan, Y. and Van Cauwenberghe, A. (1999), “Neural-network-based d-stepahead predictors for nonlinear systems with time delay”, Eng. Appl. Artif. Intel, 12, pp. 21–25.
Zanetti, S., Sousa, E., Oliveira, V., Almeida, F., Bernard, S. (2007), “Estimating evapotranspiration using artificial neural network and minimum climatological data”, J Irrig Drain Eng, 133(2), pp.83–89
تحقیقات منابع آب ایران
دوره 7، شماره 2
شهریور 1390
صفحه 71-79

فایل ها

سابقه مقاله

  • تاریخ دریافت: 14 شهریور 1388
  • تاریخ پذیرش: 17 آذر 1389

هم رسانی

ارجاع به این مقاله

آمار