تعیین بهترین مدل سیستم استنتاج انطباقی فازی- عصبی در تخمین تبخیر-تعرق گیاه مرجع چمن در اقلیم نیمه خشک ساحلی هرمزگان

نوع مقاله: مقاله پژوهشی

نویسندگان

1 کارشناس ارشد مهندسی آب، مرکز تحقیقات هواشناسی استان هرمزگان، بندرعباس

2 استادیار گروه مهندسی آب، دانشگاه شهرکرد

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Determination of the Best Adaptive Neuro-Fuzzy Inference System (ANFIS) Model for Estimating Grass Reference Crop Evapotranspiration in Coastal Semi-arid Climate of Hormozgan

نویسندگان [English]

  • M Nekooamal Kermani 1
  • R Mirabbasi Najafabadi 2
چکیده [English]

Accurate estimation of reference crop evapotranspiration (ETo) plays an important role in water
resources management and planning in dry regions. In this study, accuracy and ability of Adaptive Neuro-
Fuzzy Inference System (ANFIS) in estimating ETo was evaluated. Daily meteorological data, including air
temperature, relative humidity, sunshine hours, vapor pressure deficit, wind speed and solar radiation ofMinab
synoptic station, Hormozgan province, during 2006 to 2011 were used for modeling. The evapotranspiration
values estimated by the FAO-56 Penman-Monteith equation (PM) were considered as the reference values for
calibrating ANFIS model. The performance of the developed model with different input combinations was
also compared with the empirical models, namely, Hargreaves-Samani (HS) and Blaney- Criddle (BC). The
root mean square error (RMSE), mean absolute error (MAE) and the coefficient of determination (R2) were
used for comparing the results of ANFIS, HS and BC methods with reference method (FAO-56 Penman-
Monteith equation). The results showed that the ANFIS was a more appropriate method for estimating the ETo
inMinab and this model with 6 inputs (with 3 membership functions and Gaussian mixture model) had a better
performance than the other considered methods with the R2, MAE and RMSE values of 0.99, 0.03 (mm day-1)
and 0.04 (mm day-1), respectively. Also, the ANFIS model with 2 inputs (with 3 membership functions and
Gaussian mixture model) was the best model for the stations which had only the measured temperature data.

کلیدواژه‌ها [English]

  • Blaney-Criddle
  • FAO-56 Penman-Monteith
  • Hargreaves-Samani
  • Reference crop evapotranspiration
منابع مورداستفاده
انصاری ح و مرادی ح، 1389. ارائه مدل فازی به منظور برآورد تبخیر- تعرق ساعتی گیاه مرجع با استفاده از کمینه داده‌های هواشناسی. نشریه آب و خاک (علوم و منابع کشاورزی)، جلد 25، شماره 2، صفحه‌های 275 تا 286.
انگبینی س و هنربخش ا، 1389. برآورد تبخیر پتانسیل به کمک سیستم‌های هوشمند (منطق فازی عصبی). مجله پژوهش حفاظت آب و خاک، جلد 17، شماره 3، صفحه‌های 195 تا 201.
بیات ورکشی م، زارع ابیانه ح، معروفی ص، سبزی پرور ع­‌ا و سلطانی ف، 1388. شبیه­سازی تبخیر- تعرق روزانه گیاه مرجع به­روش هوش مصنوعی و روش‌های تجربی در مقایسه با اندازه­گیری لایسیمتر در مناطق اقلیم نیمه­خشک و سرد همدان. مجله پژوهش حفاظت آب و خاک، جلد 16، شماره 4، صفحه‌های 79 تا 100.
جمال ع‌پ، معاضد ه و طارقیان ر، 1385. تخمین تبخیر و تعرق گیاه مرجع با استفاده از شبکه‌های عصبی در منطقه اهواز. صفحه‌های 42 تا 50. همایش ملی مدیریت شبکه‌های آبیاری و زهکشی، اسفندماه، دانشگاه شهید چمران اهواز.
رضائی ع‌م، 1383. مفاهیم آمار و احتمالات. نشر مشهد، چاپ چهارم، 432 صفحه.
روشن غ‌ر، خوش اخلاق ف و کرم‌پور‌ م، 1390. ارزیابی و اصلاح مدل مناسب تبخیر- تعرق بالقوه برای ایران. پژوهش‌های طبیعی، جلد 78، صفحه‌های 49 تا 68.
زارع ابیانه ح، بیات ورکشی م، سبزی پرور ع‌ا، معروفی ص و قاسمی ع، 1389. ارزیابی روش‌های مختلف برآورد تبخیر- تعرق گیاه مرجع و پهنه­بندی آن در ایران. پژوهش‌های جغرافیای طبیعی، جلد 74، صفحه‌های 95 تا 110.
زارع ابیانه ح، بیات ورکشی م، معروفی ص و امیری چایخان ر، 1388. ارزیابی سیستم‌های هوشمند عصبی در کاهش پارامترهای تخمین تبخیر- تعرق گیاه مرجع. نشریه آب و خاک (علوم و منابع کشاورزی)، جلد 24، شماره 2، صفحه‌های 297 تا 307.
شادمانی م و معروفی ص، 1390. مقایسه چند روش برآورد تبخیر روزانه از تشت- مطالعه موردی منطقه کرمان. مجله علوم و فنون کشاورزی و منابع طبیعی، علوم آب و خاک، سال15، شماره 55، صفحه‌های 69 تا 83.
شایان نژاد م، 1385. مقایسه دقت روش‌های شبکه عصبی مصنوعی و پنمن- مانتیث در محاسبه تبخیر- تعرق پتانسیل. صفحه­های 1 تا 7. همایش ملی مدیریت شبکه‌های آبیاری و زهکشی، اسفندماه، دانشگاه شهید چمران اهواز.
صادق‌پور ب و مرادی و، 1389. تحلیل آماری با نرم افزار SPSS و AMOS. نشر دانشگاه مازندران، چاپ اول، صفحه 77.
صیادی ح، اولادی غفاری ا، فعالیان ا، و صدرالدینی ع‌ا، 1388. مقایسه عملکرد شبکه‌های عصبی RBF و MLP در برآورد تبخیر و تعرق گیاه مرجع. مجله دانش آب و خاک، جلد 19، شماره1، صفحه‌های 1 تا 12.
عصاری م، کوچک زاده م، شهابی فر م، و بیات ک، 1388. تعیین تبخیر- تعرق گیاه مرجع درون گل خانه با استفاده از شبکه‌های عصبی. مجله پژوهش‌های حفاظت آب و خاک، جلد 16، شماره1، صفحه‌های 107 تا 121.
علیزاده ا، 1380. رابطه آب و خاک و گیاه. نشر آستان قدس، چاپ دوم، 217 صفحه.
علیزاده ا، 1386. اصول هیدرولوژی کاربردی. چاپ بیست و سوم، 213 صفحه.
 فرهودی ر و شمسی پور ع­ا، 1379. برآورد تبخیر- تعرق پتانسیل منطقه بلوچستان جنوبی. پژوهش‌های جغرافیای طبیعی، جلد 39، صفحه‌های 109 تا 114.
قبائی سوق م، مساعدی ا، حسام م، و هزار جریبی ا، 1389. ارزیابی تأثیر پیش پردازش پارامترهای ورودی به شبکه عصبی مصنوعی (ANNs) با استفاده از روش‌های رگرسیون گام به گام و گاما تست به­منظور تخمین سریع‌تر تبخیر- تعرق روزانه. نشریه آب و خاک، جلد 24، شماره3، صفحه‌های 610 تا 624.
کوچک‌زاده م‌ و بهمنی ع، 1384. ارزیابی عملکرد شبکه‌های عصبی مصنوعی در کاهش پارامترهای موردنیاز جهت برآورد تبخیر- ‌تعرق گیاه مرجع. مجله علوم کشاورزی، جلد 11، شماره4، صفحه‌های 88 تا 97.
بی­نام، 1381. بررسی و مقایسه انطباقی روش پنمن-مانتیث با روش فائو 24 در ایران. چاپ اول، 37 صفحه.
مساعدی ا، و قبائی سوق م، 1390. برآورد تبخیر روزانه از تشت تبخیر با استفاده از سیستم انطباقی عصبی– فازی. مجله پژوهش آب ایران، جلد 5، شماره 8، صفحه‌های 161 تا 170.
مفتاح هلقی م، پیری م و حسام م، 1388. استفاده از سیستم استنتاج فازی– عصبی (ANFIS) در تخمین روزانه از تشت تبخیر. صفحه‌های 115 تا 123. پنجمین همایش ملی علوم و مهندسی آبخیزداری ایران. دانشگاه علوم کشاورزی و منابع طبیعی گرگان.
مومنی م و فعال قیومی ع، 1387. تحلیل آماری با استفاده از SPSS. نشر کتاب نو، چاپ دوم، 193 صفحه.
نساجی زواره م و صادقی فر ر، 1386. برآورد تبخیر- تعرق گیاه مرجع با استفاده از روش‌های مختلف. صفحه‌های 102 تا 110. نهمین سمینار آبیاری و کاهش تبخیر، دانشگاه شهید باهنر کرمان.
Allen R, Pereira L, Raes, D and Smith M, 1998. Crop evapotranspiration- guidelines for computing crop water requirements. FAO Irrigation and Drainage. Paper No. 56, FAO, Rome, Italy.
Bakhtiari B, Ghahreman N, Liaghat AM and HoogenBoorn G, 2011. Evaluation of reference evapotranspiration models for a semiarid environment using lysimeter measurements. Journal of Agricultural Science and Technology 13: 223-237.
Berengena J and Gavilan P, 2005. Reference evapotranspiration estimate in a highly advective semiarid environment. Journal of Irrigation and Drainage Engineering 131(2): 147-163.
Blaney HF and Criddle WD, 1950. Determining water requirements in irrigated areas from climatological and irrigation data. USDA Soil Conservation Service SCS-TP96 44 pp.
Gavilan P, Berengena J and Allen R, 2007. Measuring versus estimate net radiation and soil heat flux: impact on penman-monteith reference ET estimates in semiarid regions. Agricultural Water Management 89(3): 275-286.
Hargreaves GH and Samani ZA, 1982. Estimating potential evapotranspiration. Journal of Irrigation and Drainage Engineering 108(3): 225-230.
Irmark S, Irmark A, Allen RG and Jones JW, 2003. Solar and net radiation based equations to estimate reference evapotranspiration in humid climates. Journal of Irrigation and Drainage Engineering 129(5): 336-347.
Jang JSR, 1993. ANFIS adaptive network-based fuzzy inference systems. IEEE Transactionson Systems, Man, and Cybernetics 23: 665–685.
Karimaldini F, Shui L, Mohamed TA, Abdollahi M and Khalili N, 2011. Daily evapotranspiration modeling from limited weather data using neuro-fuzzy computing technique. Journal of Irrigation and Drainage Engineering 138(1): 21-34.
Kisi O, 2006. Daily pan evaporation modeling a neuro-fuzzy computing technique. Journal of Hydrology 329: 636-646.
Kisi O and Oaturk O, 2007. Adaptive neuro-fuzzy computing technique for evapotranspiration estimation. Journal of Irrigation and Drainage Engineering 133(4): 368-379.
Kumar P, Kumar D, Jaipaul A and Tiwari K, 2012. Evaporation estimation using artificial neural networks and adaptive neuro-fuzzy inference system techniques. Pakistan Journal of Meteorology 8(16): 81-88.
Linsly RK, Kohler MA and Poulhus JLH, 1982. Hydrology for Engineers. Mc Graw-Hill, London. 210.
Lopez-Urrea R, Olala F, Fabeiro C and Moratalla A, 2006. An evaluation of two hourly reference evapotranspiration equations for semiarid conditions. Agricultural Water Management 86: 277-282.
Moghaddamnaia AM, Ghafari Gousheh J, Piri S and Han D, 2009. Evaporation estimation using artificial neural networks and adaptive neuro-fuzzy inference system techniques. Advances in Water Resources 32: 88-97.
Mohawesh OE, 2011. Evaluation of evapotranspiration models for estimate daily reference evapotranspiration in arid and semiarid environments. Plant, Soil and Environment 57: 145-152.
Pereira A and Pruitt W, 2004. Adaptation of the Thornthwait scheme for estimating daily reference evapotranspiration. Agricultural Water Management 66: 251-257.
Pereira AR, Green S and Augusto N, 2006. Penman-Monteith reference evapotranspiration Adopted to estimate irrigation tree transpiration. Agricultural Water Management 8: 153-161.
Rahimikhoob A, 2010. Estimation of evapotranspiration based on only air temperature data using artificial neural networks for a subtropical in Iran. Theoretical and Applied Climatology 101: 83-91.
Smith M, Allen R and Pereira L, 1997. Revised FAO methodology for crop water requirement. Pp. 26-29. In: Proceeding of Management of Nutrient and Water in Rain fed Arid and Semiarid Area, Vienna, Austria.
Sobirino J, 2005. A simple algorithm to estimate evapotranspiration from DAIS data: application to the DAISEX campaigns. Journal of Hydrology 315: 117-125.
Tabari H, Marofi S and Sabziparvar A, 2010. Estimation of daily pan evaporation using artificial neural network and multivariate non-linear regression. Irrigation Science 28: 399-406.
Trajkovic S, Todorovic B and Stankovic M, 2003. Forecasting of reference evapotranspiration by artificial neural networks. Journal of Irrigation and Drainage Engineering 129(6): 454-457.
Traore S, Wang YM and Kerh T, 2008. Modeling reference evapotranspiration by generalized regression neural network in semiarid zone of Africa. WSEAS Transactions on Information Science and Applications 5(6): 991-1000.
Tukey JW, 1977. Exploratory Data Analysis. Addison-Wesley Publishing Company Reading, Massachusetts. 588.
Yin Y, Wu S, Zheng D and Yang Q, 2008. Radiation calibration of FAO 56 Penman-Monteith modeling to estimate reference crop evapotranspiration in Chin. Agricultural Water Management 95: 77-84.