پیش‌بینی پتانسیل تبخیر با حذف نویز داده‌ها در ایستگاه سینوپتیک تبریز

نوع مقاله: مقاله پژوهشی

نویسندگان

1 استاد گروه آب و هواشناسی، دانشکده جغرافیا و برنامه‌ریزی، دانشگاه تبریز

2 3- استادیار گروه جغرافیا، دانشکده ادبیات و علوم انسانی، دانشگاه لرستان

3 -استادیار گروه مهندسی آب و سازه‌های هیدرولیکی، دانشکده مهندسی عمران، دانشگاه سمنان

4 دانشجوی دکتری آب و هواشناسی، دانشکده جغرافیا و برنامه‌ریزی، دانشگاه تبریز

چکیده

تبخیر پتانسیل از جمله مؤلفه‌های چرخه آب در طبیعت است که پیش‌بینی آن یک کار پیچیده و غیرخطی است. بنابراین، برای تخمین آن بایستی از مدل‌های پیشرفته ریاضی استفاده نمود. مطالعه حاضر، با هدف ارائه مدل پیش‌بینی سری زمانی پتانسیل تبخیر روزانه ایستگاه تبریز با استفاده از دو رویکرد شبکه عصبی و شبکه عصبی ـ موجکی همراه با نویززدایی داده‌ها انجام گرفت. سری زمانی روزانه مقدار تبخیر تشتک تبخیرسنج ایستگاه تبریز مشتمل بر 4309 داده روزانه، به‌عنوان داده‌های خام این دو مدل در نظر گرفته شدند. مدل پیش‌بینی شبکه عصبی بر پایه سه سری زمانی با تأخیرهای زمانی 4، 7 و 10 روز از سیگنال اصلی نرمال‌شده انجام گرفت. در روش دوم، سیگنال سری زمانی اصلی با استفاده از موجک مادر میر به 12 سطح تجزیه و بیشترین فرکانس آن به‌عنوان نویز از سیگنال اصلی حذف شد. در ادامه، مدل شبکه عصبی ـ موجکی بر پایه 36 سری زمانی با تأخیرهای زمانی 4، 7 و 10 روز اجرا شد. با ارزیابی نتایج هر یک از این مدل‌ها توسط معیارهای آماری و گرافیکی، ساختار 3-10-1 با مقدار ضریب همبستگی 80/0 و جذر میانگین مربعات خطای 125/0 میلی‌متر در روز و ساختار 36-8-1 با ضریب همبستگی 917/0 و جذر میانگین مربعات خطای 0858/0 میلیی‌متر در روز تحت عنوان مناسب‌ترین ساختارها به‌ترتیب برای مدل شبکه عصبی و شبکه عصبی ـ موجکی شناسایی شدند. 

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Prediction of Evaporation Potential through Data De-noising in Tabriz Synoptic Station

نویسندگان [English]

  • AM Khorshiddoust 1
  • S Jahanbakhsh Asl 1
  • H Abbasi 2
  • S Farzin 3
  • H Mirhashemi 4
چکیده [English]

Potential evaporation is a component of the water cycle in nature and its prediction is a complicated and nonlinear practice. In this regard, the purpose of the present study was to provide the time-series prediction model of daily evaporation potential of Tabriz station using the two approaches of neural network and neural network- wavelet through de-noising. Daily time-series data of pan evaporation in Tabriz station consisted of 4309 days for the period of 1992-2011 were considered as the data base for running the above-mentioned models. Neural network prediction model was routed based on the three time series with 4, 7 and 10 days lag time of the normalized original signal. In the second approach, the main time series signal using Meyer wavelet was decomposed to 12 levels and the highest-frequency signal was removed as noise from the time series. Then, Neural network-wavelet model was implemented based on 36 time series with 4, 7 and 10 days delays. The evaluation of the results of these models by statistical and graphical criteria, indicated following results: A structure of 3-10-1 with correlation coefficient of 0.80 and mean square error of 0.125, and another structure of 36-8-1 with the correlation coefficient 0.917 and mean square error of 0.0858 were known as suitable structures in neural network and neural network-wavelet approaches, respectively. 

کلیدواژه‌ها [English]

  • De-Noising
  • Evaporation potential
  • Neural network
  • Tabriz
  • wavelet transform
جهانبخش س، خورشیددوست ع‌م، میرهاشمی ح، خرمی ه و تدینی م، 1393. روندیابی تغییرات نیاز آبی گیاه مرجع و متغیرهای هواشناختی مرتبط با آن در آذربایجان شرقی. نشریه آب و خاک مشهد، جلد 28، شماره 2، صفحه‌های 296 تا 306.
حامی کوچه باغی م‌ر، ناظمی اح، اشرف صدرالدینی ع و دلیر حسن‌نیا ر، 1395. نگرش ریاضی به نقش مؤلفه سرعت باد در رابطه فائو ـ پنمن ـ مونتیث برای محاسبه تبخیر ـ تعرق مرجع. نشریه دانش آب و خاک، جلد 26، شماره 2/1، صفحه‌های 1 تا 14.
حسن‌زاده‌ ی، لطف اللهی یقین م، شاهوردی س، فرزین س و فرزین ن، 1391. نویززدایی و پیش‌بینی سری زمانی بر پایه الگوریتم موجک ونظریه آشوب (مطالعه موردی: شاخص پایش خشکسالی SPI شهر تبریز). نشریه تحقیقات منابع آب، شماره 3، صفحه‌های 1 تا 13.
رحمیی خوب ع و محمودی ع،1390. برآورد تبخیر ـ تعرق واقعی از سطح حوضه آبریز با استفاده از مدل‌های شبکه عصبی و حداقل داده‌های هواشناسی ـ مطالعه موردی حوضه معرف امامه. نشریه تحقیقات منابع آب، شماره 4، صفحه‌های 51 تا 61.
زاهدی م، ساری صراف ب و جامعی ج، 1386. تحلیل تغییرات زمانی ـ مکانی دمای منطقه شمال‌غرب ایران. جغرافیا و توسعه، شماره 10، صفحه‌های 183 تا 198.
سلطانی ج، مقدم نیا ع‌ر، پیری ج، میرمرادزهی ج، 1392. مقایسه کارآیی مدل های تلفیقی NN-ARX و ANFIS با GA-GT جهت تخمین تبخیر روزانه از تشت در شرایط اقلیمی خشک و گرم بلوچستان. نشریه آب و خاک مشهد، جلد 27، شماره 2، صفحه‌های 381 تا 393.
شریفی م‌ب و صالحی‌سده ر، 1384. کاربرد شبکه‌های عصبی در پیش‌بینی جریان رودخانه در حوضه معرف کارده. کمیته تحقیقات شرکت سهامی آب منطقه‌ای خراسان، دفتر فنی و پژوهش‌های کاربردی شرکت مدیریت منابع آب ایران.
شفائی م، فاخری فرد ا، دربندی ص و قربانی م‌ع، 1392. پیش بینی جریان روزانه رودخانه با استفاده از مدل هیبرید موجک و شبکه عصبی، مطالعه موردی ایستگاه هیدرومتری ونیار در حوضه آبریز آجی چای. نشریه مهندسی آبیاری و آب ایران، شماره 14، صفحه‌های 113 تا 128.
صدقی ح، 1363. اصول هیدرولوژی مهندسی جلد اول (ترجمه). انتشارات مرکز نشر و ترجمه امور آب وزارت نیروـ تهران، چاپ سوم.
طوفانی پ، مساعدی ا، فاخری فرد ا، دهقانی ا‌ا و موسوی ح، 1389. پیش‌بینی بارش‌های ماهانه با استفاده از تئوری موجک و سری‌های زمانی. اولین همایش توسعه منابع آب. دانشگاه آزاد اسلامی واحد اهواز، 25 آبان‌ماه 1389.
عساکره ح، 1386. تغییرات زمانی ـ مکانی بارش ایران زمین طی دهه‌های اخیر. نشریه جغرافیا و توسعه، شماره 10، صفحه‌های 145 تا 164.
علیزاده ا، 1385. اصول هیدرولوژی کاربردی، انتشارات آستان قدس رضوی، چاپ بیست و سوم.
قره‌خانی ا و قهرمان ن، 1389. بررسی روند تغییرات فصلی و سالانه رطوبت نسبی و نقطه شبنم در چند نمونه اقلیمی ایران. نشریه آب و خاک مشهد، جلد 24، شماره 4، صفحه‌های 636 تا 646.
کتیرایی پ‌‌س، حجام س و ایران‌نژاد پ، 1386. سهم تغییرات فراوانی و شدت بارش روزانه در روند بارش در ایران طی دوره 1960 تا 2001. مجلۀ فیزیک زمین و فضا، شماره 1، صفحه‌های 67 تا 83.
میرعباسی نجف‌آبادی ر و دین پژوه ی، 1389. تحلیل روند تغییرات آبدهی رودخانه‌های شمال غرب ایران در سه دهه اخیر. نشریه آب و خاک، جلد 24، شماره 4، صفحه‌های 757 تا 768.
نیکو م، فتحیان ح و کمان‌بدست ا، 1388. استفاده از سری‌های زمانی و الگوریتم ژنتیک در مدل‌های شبکه عصبی مصنوعی تکاملی برای روندیابی سیلاب در رودخانه. هشتمین سمینار بین‌المللی مهندسی رودخانه، دانشگاه شهید چمران اهواز، 6 تا 8 بهمن‌ماه 1388.
ولیزاده کامران خ، 1393. برآورد تبخیر تعرق پتانسیل در آذربایجان شرقی به روش استفنز با استفاده از GIS. نشریه جغرافیا و برنامه‌ریزی دانشگاه تبریز، شماره 49، صفحه‌های 317 تا 334.
Abghari H, Ahmadi H., Besharat S and Rezaverdinejad V, 2012. Prediction of daily pan evaporation using wavelet neural networks. J. Water. Resour. Manag 26: 3639–3652.
Allen RG, Pereira LS, Raes D and Smith M, 1998. Crop Evapotranspiration: guidelines for computing crop water requirements. FAO Irrigation and Drainage Paper 56, Rome, Italy, 300 p.
Daubechies I, 1992, Ten lectures on wavelets. Society for Industrial and Applied Mathematics.
Evrendilek F, 2012. Assessing neural networks with wavelet denoising andregression models in predicting diel dynamics of eddy covariance-measuredlatent and sensible heat fluxes, and evapotranspiration. J. Neural. Comput. Appl 24: 327-337.
Landeras G, Ortiz-Barredo A and Lopez JJ, 2008. Comparison of artificial neural network models and empirical and semi-empirical equations for daily reference evapotranspiration estimation in the Basque Country (Northern Spain). J. Agri. Water. Manag 95: 553– 565.
Partal T, 2009, Modelling evapotranspiration using discrete wavelet transform and neural networks. J. Hydrol. Process 23: 3545–3555.
Sanford WA, Selnick DL, 2013. Estimation of Evapo-transpiration across the conterminous United State. JAWRA 49: 217-230.
Teuling AJ, Van Loon AF, Seneviratne SI, Lehner I, Aubinet M, Heinesch B, Bernhofer C, Grünwald T, Prasse H and Spank U, 2013. Evapotranspiration amplifies European summer drought. J.Geophysics. Res. Lett 40: 2071-2075.
Trajkovic S, Todorovic B and Stankovic M, 2003, Forecasting of reference evapotranspiration by artificial neural networks. J. Irrig. Drain. Eng 129: 454- 457.
Wang WG and Luo YF, 2007. Wavelet network model for reference crop evapotranspiration forecasting. Pp. 751-755. Wavelet Analysis and Pattern Recognition International Conference. 2-4 Nov, Beijing, China.