تعداد نشریات | 43 |
تعداد شمارهها | 1,275 |
تعداد مقالات | 15,751 |
تعداد مشاهده مقاله | 51,867,068 |
تعداد دریافت فایل اصل مقاله | 14,690,748 |
مقایسه کارآیی روابط ترکیبی واسنجی شده و سیستمهای هوشمند عصبی در برآورد تبخیر از پهنههای آزاد آب | ||
دانش آب و خاک | ||
مقاله 1، دوره 33، شماره 4، دی 1402، صفحه 1-18 اصل مقاله (1.28 M) | ||
شناسه دیجیتال (DOI): 10.22034/ws.2021.45841.2414 | ||
نویسندگان | ||
وحید مونس خواه1؛ سجاد هاشمی1؛ معین هادی* 1؛ سعید صمدیان فرد2 | ||
1گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز، ایران | ||
2استادیار گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز | ||
چکیده | ||
برآورد میزان تبخیر نقش مهمی در مطالعات هیدرولوژیکی در نواحی نیمهخشک دارد. بهدلیل کمبود ایستگاههای تبخیرسنجی، استفاده از روشهای تجربی و نیز کاربرد سیستمهای هوشمند عصبی مورد توجه پژوهشگران قرار گرفته است. در مطالعه حاضر، مقادیر تبخیر از پهنههای آزاد آب در حوضه دریاچه ارومیه با استفاده از روشهای تجربی ترکیبی شامل دبروین، تیچومروف، مایر و پنمن که برای حوضه دریاچه ارومیه واسنجی شدند و نیز سیستمهای هوشمند عصبی شامل شبکههای عصبی مصنوعی (ANN)، جنگلهای تصادفی (RF) و درختان گرادیان تقویت شده (GBT) برآورد شد. بهمنظور مدلسازی تبخیر با استفاده از روشهای هوشمند، 14 سناریو حاصل از ترکیب عوامل هواشناسی بهکار رفته در معادلات تجربی ترکیبی مورد استفاده قرار گرفت. نتایج بهدست آمده با مقادیر تبخیر از پهنههای آزاد آبی حاصل از تشت تبخیر مقایسه شد. بهمنظور ارزیابی نتایج نیز از آمارههای R، NRMSE، MAPE و دیاگرام تیلور استفاده شد. نتایج نشان داد بهطور کلی در بین روابط ترکیبی واسنجیشده، روش دبروین دقت بالاتری دارد. با این حال، مقادیر شاخصهای خطای بهدست آمده حاکی از عدم دقیق بودن روابط ترکیبی در برآورد تبخیر از پهنههای آزاد آب است. همچنین بر اساس نتایج بهدست آمده، دقت روشهای هوشمند عصبی در برآورد میزان تبخیر از پهنههای آزاد آب بیشتر از روشهای ترکیبی است. در بین تمام روشهای مورد مطالعه، روش ANN بالاترین دقت را در برآورد میزان تبخیر دارد. بهطوری که این روش در 4 ایستگاه با مقادیر NRMSE کمتر از 10 درصد، بهعنوان مدل دقیق معرفی شد. | ||
کلیدواژهها | ||
تبخیر؛ دیاگرام تیلور؛ روشهای تجربی؛ سیستمهای هوشمند؛ مدلسازی | ||
مراجع | ||
Abtew W, 2001. Evaporation estimation for Lake Okeechobee in south Florida. Journal of Irrigation and Drainage Engineering 127: 140-147.
Akbarzadeh MSH, Haghighatjou P and Bagheri MH, 2015. Estimates of evaporation from surface water bodies with SEBAL algorithm using remote sensing techniques (Case Study: Chahnimeh’s Fresh Water Reservoirs of Sistan). Iranian Journal of Irrigation and Drainage 3(9): 510-521. (In Persian with English abstract)
Alazard M, Leduc C, Travi Y, Boclet G and Ben Salem A, 2015. Estimating evaporation in semi-arid areas facing data scarcity: Example of the El Haouareb dam (Merguellil catchment, Central Tunisia). Journal of Hydrology Regional Studies 3: 265-284.
Bahmani R, Radmanesh F, Islamian SS and Parham GH, 2013. Reservoir evaporation trend analysis and its prediction using time series. Journal of Irrigation Sciences and Engineering 36(3): 67-80. (In Persian with English abstract)
Beer T, Li J and Alverson K, 2018. Global Change and Future Earth: The Geoscience Perspective, Cambridge University Press, Cambridge.
Breiman L, 2001. Random forests. Machine Learning 45(1): 5-32.
Click C, Malohlava M, Candel A, Roark H and Parmar V, 2016. Gradient Boosted Models with H2O. H2O.ai, United States of America.
Eslamian SS, Gohari SA, Biabanaki M and Malekian R, 2008. Estimating of monthly pan evaporation using artificial neural networks and support vector machines. Journal of Applied Science 8(19): 3497-3502.
Freund Y and Schapire RE, 1997. A decision-theoretic generalization of on-line learning and an application to boosting. Journal of Computer and System Sciences 55(1):119-139.
Friedman JH, 2002. Stochastic gradient boosting. Computational Statistics & Data Analysis 38(4):367-378.
Ghobadian R, Yaghoubi M and Taleb Heydari M, 2008. Preparation of evaporation prediction model from the free surface in the city of Kermanshah using artificial neural network and comparison with existing experimental relations. Third Water Resources Management Conference, 14 October, Tabriz, Iran. (In Persian).
Gleckler PJ, Taylor KE and Doutriaux C, 2008. Performance metrics for climate models. Journal of Geophysical Research. Atmospheres 113(D6): 1-20.
Hastie T, Tibshirani R and Friedman JH, 2009. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Springer Series in Statistics. Springer, New York, 2nd edition.
Imam Dost S, Shahanzari A and Taghavi J, 2018. Determination of evaporation from free surface water in Mazandaran Plain (Dazmirkandeh Abbandan) and compared with seven experimental methods. Journal of Watershed Management Research 10(18): 241-249. (In Persian with English abstract)
Irmak S, Haman D and Jones JW, 2002. Evaluations of class A pan coefficients for estimating reference evapotranspiration in a humid location. Journal of Irrigation and Drainage Engineering 128 (3): 153-159.
Jin J, 2012. A random forest-based method for urban land cover classification using LiDAR data and aerial imagery. MSc Thesis, University of Waterloo.
Kotsiantis S and Pintelas P, 2004. Combining bagging and boosting. International Journal of Computational Intelligence 1(4): 324-33.
Kuan CM and White H, 1994. Artificial neural networks: An econometric perspective. Econometric Reviews 13: 1-91.
Menhaj MB, 2005. Computational Intelligence. Third Edition, Amir Kabir University of Technology Press, Iran (In Persian).
Mouneskhah V, 2018. Estimating evaporation losses and providing solutions for its reduction in the reservoirs of Lake Urmia eastern basin using modern methods. MSc Thesis, University of Tabriz. (In Persian with English abstract).
Mouneskhah V, Samadianfard S and Hadi M, 2020. Evaluation of data mining methods and experimental temperature-radiation-based models in estimating evaporation from the pan (Case study: East of Urmia Lake). Iran Water and Soil Researches 51(9): 2337-2348. (In Persian with English abstract)
Qasem S, Samadianfard S, Kheshtgar S, Jarhan S, Kisi O, Shamshirband SH and Wing-Chau K, 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.
Rosenberry DO, Winter TC, Buso DC and Likens GE, 2007. Comparison of 15 evaporation methods applied to a small mountain lake in the northeastern USA. Journal of Hydrology 340: 149-166.
Sattari MT, Ahmadifar V and Pashapour Kholf Ansar R, 2014. M5 tree model based modeling of evaporation losses in Eleviyan reservoir and comparison with empirical equations. Journal of Irrigation and Water Engineering 17: 107-121. (In Persian with English abstract).
Sepaskhah AR, 2018. Evaporation reduction from water reservoir of dams. Strategic Research Journal of Agricultural Sciences and Natural Resources 3(1):13-26. (In Persian with English abstract)
Shadmani M and Marofi S, 2011. Comparison of some methods for estimation of daily pan evaporation: Case study in Kerman region. Journal of Science and Technology of Agriculture and Natural Resources 15(55): 69-83. (In Persian with English abstract).
Singh AK, Tripathy R and Chopra UK, 2008. Evaluation of CERES Wheat and Crop Systmodels for water-nitrogen interactions in wheat crop. Agricultural Water Management 95: 776-786.
Talebizadeh M, Morid S, Ayyoubzadeh SA and Ghasemzadeh M, 2009. Uncertainty analysis in sediment load modeling using ANN and SWAT model. Water Resources Management 24 (9): 1747-1761.
Tanny J, Cohen S, Assouline S, Lange F, Grava A, Berger D, Teltch B and Parlange MB, 2008. Evaporation from a small water reservoir: direct measurements and estimates. Journal of Hydrology 351: 218-229.
Taylor KE, 2001. Summarizing multiple aspects of model performance in a single diagram. Journal of Geophysical Research. Atmospheres 106: 7183-7192.
Terzi O, 2011. Modeling of daily pan evaporation of Lake Egirdir using data-driven techniques. Pp. 320-324. International Symposium on Innovations in Intelligent Systems and Applications. Istanbul, Turkey.
Vanzyl WH, De Jager JM and Maree CJ, 1989. The relationship between daylight evaporation from short vegetation and the USWB Class A pan. Agricultural and Forest Meteorology 46: 107-118.
Yazdani V, Gahreman B and Davari K, 2011. Determining the best empirical method for estimating water surface evaporation based on sensitivity analysis in paddy rice field in Amol and comparing them with Artificial Neutral Network. Iranian Journal of Water Research 7: 47-58. (In Persian with English abstract).
| ||
آمار تعداد مشاهده مقاله: 362 تعداد دریافت فایل اصل مقاله: 197 |