برآورد تبخیر از تشت در سه اقلیم متفاوت با استفاده از روش‌های داده محور

نویسندگان

1 دانشجوی دکتری، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز

2 دانشیار، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز

3 استاد، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز

10.22034/hws.2024.21105

چکیده

تبخیر یکی از پیچیده­ترین و مهم­ترین فرآیندها در بررسی عوامل هیدرولوژیکی و هواشناسی بوده و نقش عمده­ای در تعیین معادلات توازن انرژی در سطح زمین دارد. در این راستا و در پژوهش حاضر، توانایی سه روش داده محور درخت گرادیان تقویت شده، مدل خطی تعمیم یافته و پرسپترون چندلایه در برآورد مقدار تبخیر از تشت در سه اقلیم خشک (ایستگاه یزد و بافق)، نیمه خشک (ایستگاه بیرجند و سیاه­بیشه) و مرطوب (ایستگاه ساری و فردوس) با استفاده از داده­های هواشناسی به عنوان ورودی مدل مورد بررسی قرار گرفت. از بین متغیرهای موثر، چهار پارامتر دمای میانگین، رطوبت نسبی، سرعت باد و ساعات آفتابی در دوره زمانی بیست ساله (2020-2001) جمع‌آوری گردید. با توجه به متغیرهای ورودی و میزان همبستگی آن‌ها با پارامتر تبخیر، شش سناریو مختلف از متغیرهای هواشناسی انتخاب شده، تعریف گردید. همچنین برای ارزیابی دقت مدل­های مذکور از چهار معیار ارزیابی جذر میانگین مربعات خطا، میانگین خطای مطلق، ضریب همبستگی و شاخص پراکندگی استفاده گردید. نتایج حاصل نشان داد که در ایستگاه‌های بیرجند، یزد،  مدل ششم روش پرسپترون چندلایه به ترتیب با جذر میانگین مربعات خطای 97/1، 95/1، 97/1، در ایستگاه ساری مدل چهارم روش پرسپترون چندلایه با جذر میانگین مربعات خطای 41/1، در ایستگاه سیاه‌بیشه مدل دوم روش پرسپترون چندلایه با مقدار خطای 91/2 و در ایستگاه بافق مدل پنجم روش پرسپترون چندلایه با جذر میانگین مربعات خطای 92/1 بهترین عملکرد را در برآورد میزان تبخیر از تشت داشتند. در نهایت می‌توان چنین نتیجه‌گیری نمود که در تمامی ایستگاه‌های مورد مطالعه، روش پرسپترون چندلایه دقیق‌ترین برآوردها را ارائه نمود و به عنوان روشی با دقت بالا پیشنهاد گردید.

کلیدواژه‌ها


Afkhami H, Habibipur A and Ekhtesasy M, 1397. Performance assessment of data mining techniques for Forecast for one year evaporation - Case study of Yazd synoptic station. Iranian Journal of Natural Resources 3: 594-579. (In Persian with English abstract).
Khorshiddoost AM, Mirhashemi H and Nazari M, 1398. Evaluation of the performance of artificial neural network and support vector machine models in estimation of daily evaporation amounts - Case study of Tabriz and Maragheh Synoptic Stations. Journal of Geography and Planning 68(23): 71-90 (In Persian with English abstract).
Ghaemi A, Rezaie Balf M, Adamowski J, Kisi O and Quilty J, 2019. On the applicability of maximum overlap discrete wavelet transform integrated with MARS and M5 model tree for monthly pan evaporation prediction. Agricultural and Forest Meteorology 278: 397-428.
Wu L, Haung G, Fan J, Ma X, Zhou H and Zeng W, 2020. Hybrid extreme learning machine with meta-heuristic algorithms for monthly pan evaporation prediction. Computers and Electronics in Agriculture 168: 105-115.
Majhi B and Naidu D, 2021. Pan evaporation modeling in different agroclimatic zones using functional link artificial neural network. Information Processing in Agriculture 8: 134-147.
Mir Mohammad Sadeghi SA, Ghobadniyam M and Rahimian MH, 2018. Estimation of evaporation from Zayandeh-Rood Dam Lake using SEBAL. Water and Soil 33(4): 548-537 (In Persian with English abstract).
Moneskhah V, SamadianFard S and Hadi M, 2019. Evaluation of data mining methods and experimental temperature-radiation-based models in estimating evaporation from the Pan - Case study of the East Lake Urmia. Journal of Water and Soil Research 51(9): 2348-2337 (In Persian with English abstract).
Sharfi M and SamadianFard S, 1400.  Prediction of daily evaporation using hybrid support vector regression-firefly optimization algorithm and multilayer perceptron. Journal of Rainwater 9(4): 53-66 (In Persian with English abstract).
Shadkani S, Abbaspour A, Samadianfard S, Hashemi S, Mosavi A and Shamshirband S, 2021. Comparative study of multilayer perceptron-stochastic gradient descent and gradient boosted trees for predicting daily suspended sediment load - Case study of the Mississippi river. US International Journal of Sediment Research 36(4): 512-523.
Qamarnia H, Naseri S, Amini A and Sargardi F, 1400. Comparison of SEBAL algorithm and meteorological data results in estimating daily evaporation from free water surface - Case study of Soleimanshah dam. Environmental and Water Engineering Journal 7(3): 494-506 (In Persian with English abstract).
Farasaty M, Seydian M and Dab K, 1400. Evaporation modeling of free surface water using SVM and LSSVM models. Water and Irrigation 11(3): 288-272 (In Persian with English abstract).
Seifzadeh Kh, 1402. Estimation of daily evaporation from class A pan using five data mining methods - Case study of Tabriz Meteorological Station. MSc Thesis, Tabriz University of Technology. (In Persian with English abstract).