نوع مقاله : مقاله پژوهشی
نویسندگان
1 دانشجوی دکتری مهندسی منابع آب دانشگاه شهید چمران اهواز .
2 دانشجوی کارشناسی ارشد منابع آب دانشگاه ارومیه.
3 استادیار گروه مهندسی آب دانشگاه ارومیه.
4 دانشیار گروه مهندسی آب دانشگاه ارومیه.
چکیده
تبخیر و تعرق یکی از اجزای اصلی چرخه هیدرولوژی است که تخمین دقیق آن در طراحی و مدیریت سیستمهای آبیاری، شبیهسازی تولیدات گیاهی و مدیریت منابع آب ضروری است. در این مطالعه به منظور برآورد تبخیر و تعرق گیاه مرجع با استفاده از دو مدل برنامهریزی ژنتیک (GP) و سیستم استنتاج عصبی - فازی تطبیقی (ANFIS) در مقیاس زمانی ماهانه، 6 ایستگاه سینوپتیک در منطقه شمالغرب کشور در دوره آماری 38 ساله (2010-1973) انتخاب شد. در ابتدا مقادیر تبخیر تعرق ماهانه گیاه مرجع برای ایستگاههای منتخب توسط روش فائو- پنمن- مونتیث محاسبه و به عنوان خروجی مدلها در نظر گرفته شد. سپس یک رابطه رگرسیونی بین متغیرهای اقلیمی مختلف موثر در پدیده تبخیر و تعرق به دست آمد و الگوهای مختلف ورودی برای مدلهای مورد استفاده مشخص گردید که بر این اساس رطوبت نسبی با داشتن کمترین تاثیر از ورودیها حذف شد. همچنین در مطالعه حاضر سعی گردید تا نقش حافظه در پیشبینی تبخیر تعرق ماهانه گیاه مرجع بررسی و از تاخیرهای یک، دو، سه و چهار ماهه نیز به عنوان ورودی برای مدلها استفاده شد. به طور کلی برای هر مدل 9 الگوی ورودی ایجاد شد که نتایج حاصله نشان دهنده دقت بالا و خطای کم هر دو مدل در پیشبینی تبخیر تعرق ماهانه گیاه مرجع بوده و کارآیی مدلANFISبهتر از روش GP بود.
کلیدواژهها
عنوان مقاله [English]
Application of ANFIS and GP Models to Estimate Monthly Reference Crop Evapotranspiration in Northwest of Iran
نویسندگان [English]
- F A 1
- S A 2
- K KH 3
- J B 4
چکیده [English]
Evapotranspiration is one of the important components of hydrological
cycle whose accurate estimate is needed for design and management of
irrigation systems, simulation of crops products, and programming water
resources management. In this research, to predict monthly reference
evapotranspiration, ANFIS and GP models were employed and 38 years
(1973-2010) of data were collected from six synoptic weather stations
located in the northwest of Iran. At first, monthly reference
evapotranspiration was estimated by FAO-Penman-Montieth method for
the selected stations and was considered as the output of GP and ANFIS
models. Then, a regression equation between effective meteorological
parameters and evapotranspiration was fitted and different input patterns
for the models were determined. Relative humidity as the less effective
parameter was deleted from input of the models. Also, in this study, to
investigate effect of “memory” on prediction of evapotranspiration, one,
two, three and four months lags were used as the input of the models.
Results showed that both models estimated monthly evapotranspiration
with high accuracy, but ANFIS model was better than GP model.