Forecasting Weekly Reference Evapotranspiration Using Wavelet-ANFIS Hybrid Model

Document Type : Research Paper

Author

Abstract

Evapotranspiration is one of the most important components in the optimization of water use in agriculture and water resources management. In recent years, artificial intelligence methods and wavelet based hybrid model have been used for forecasting of hydrological parameters. In the present study, applications of the adaptive network-based fuzzy inference system (ANFIS) and Wavelet-ANFIS models to forecast weekly reference evapotranspiration at the synoptic stations of Tabriz, Ahvaz, Bandar Abbas, and Ramsar were investigated. For this purpose, a 20-year statistical period (1990-2009) was considered: 15 years (1990-2004) for training and the final five years (2005-2009) for testing the various models. Various combinations of input data (various lag times) and different kinds of mother wavelets were evaluated. Results showed that, compared to the ANFIS model, the hybrid model Wavelet-ANFIS had greater ability and accuracy in forecasting weekly evapotranspiration at all of the four synoptic stations. Moreover, the use of yearly lag times in the ANFIS model increased its accuracy. However, in the Wavelet-ANFIS, yearly lags not only did not increase the accuracy of the Wavelet-ANFIS model, but also reduced its accuracy in some cases. Investigation of various kinds of mother wavelets also indicated that the Meyer wavelet was the most suitable mother wavelet for forecasting weekly reference evapotranspiration. Results of this study can also be used for irrigation scheduling in the studied regions.

Keywords

References

  1. آزاد طلاتپه ن. بهمنش ج. و منتصری م.1391. پیش‌بینی تبخیر-تعرق پتانسیل با استفاده از مدلهای سری زمانی نشریه آب و خاک (علوم و صنایع کشاورزی). 27(1):223-213.
  2. بهمنش ج. آزاد طلاتپه ن. منتصری م. و بشارت س.1393. ارزیابی مدلهای سری زمانی خطی و غیر خطی بیلینییر در پیش‌بینی تبخیر- تعرق گیاه مرجع در ایستگاه سینوپتیک ارومیه. نشریه پژوهش آب در کشاورزی. 28(1): 85-96.
  3. حسن‌زاده ی. کردانی ع. و فاخری‌فرد ا. 1391. پیش‌بینی خشکسالی با استفاده از الگوریتم ژنتیک و مدل ترکیبی شبکه عصبی-موجکی. فصلنامه علمی-پژوهشی آب و فاضلاب, 23(83):48-59.
  4. رجایی ط. و ابراهیمی ه. 1393. مدلسازی نوسانان های ماهانه آب زیرزمینی به وسیله تبدیل موجک و شبکه عصبی پویا. مجله مدیریت آب و آبیاری. 4(1): 87-73.
  5. شفائی م، فاخری فرد ا. دربندی ص. و قربانی. م ع. 1392. پیش‌بینی جریان روزانه رودخانه با استفاده از مدل هیبرید موجک و شبکه عصبی، مطالعه موردی ایستگاه هیدرومتری ونیار در حوضه آبریز آجی چای. فصلنامه علمی پژوهشی مهندسی آبیاری و آب. 4(14): 113-128.
  6. شیروانی ا. و هنر ت.1390. کاربرد مدلهای سریهای زمانی برای پیش بینی تبخیر- تعرق در ایستگاه باجگاه. مجله پژوهش آب ایران. 5(8): 142-135.
  7. طوفانی پ. مساعدی ا. و فاخری فرد ا، 1390. پیش‌بینی بارندگی با استفاده مستقیم از نظریه موجک. نشریه آب و خاک. 25(5): 1226-1217.
  8. عبداللهی اسدآبادی س. دین پژوه ی. و میرعباسی ر. 1392. پیش‌بینی دبی متوسط روزانه جریان رودخانه بهشت آباد با استفاده از آنالیز موجک. نشریه آب و خاک. 28(3): 534-545.
  9. فولادمند ح. 1389. پیش‌بینی ماهانه تبخیر- تعرق پتانسیل گیاه مرجع در استان فارس. مجله دانش آب و خاک. 20(4):   157-169.
  10. قهرمان ن. و قره خانی ا. 1390. ارزیابی مدلهای تصادفی سری زمانی در برآورد تبخیر از تشت. مجله پژوهش آب در کشاورزی. 25(1): 75-81 .
  11. معروفی ص. امیرمرادی ک.  و پارسافر ر. 1392. پیش‌بینی جریان روزانه با استفاده از شبکه­های عصبی مصنوعی و عصبی- موجکی (مطالعه موردی: رودخانه باراندوزچای). نشریه دانش آب و خاک. 23(3): 93-103.
  12. مؤمنی ب. عباس پلنگی ج. و اقدسی ب.1390. تخمین تراز آب زیرزمینی با استفاده از شبکه­های عصبی مصنوعی. چهارمین کنفرانس مدیریت منابع آب، دانشگاه صنعتی امیرکبیر تهران.
  13. Adamowski, J. and Chan, H.F., 2011. A wavelet neural network conjunction model for groundwater level forecasting. Journal of Hydrology, 407(1):28-40.
  14. Adamowski, J., & Sun, K. 2010 Development of a coupled wavelet transform and neural network method for flow forecasting of non-perennial rivers in semi-arid watersheds. Journal of Hydrology, 390(1–2): 85-91.
  15. Araghi, A., Baygi, M. M., Adamowski, J., Malard, J., Nalley, D., and Hasheminia, S. M. 2015. Using wavelet transforms to estimate surface temperature trends and dominant periodicities in Iran based on gridded reanalysis data.Atmospheric Research, 155: 52-72.
  16. Bachour, R., Maslova, I., Ticlavilca, A., Walker, W., & McKee, M. 2015. Wavelet-multivariate relevance vector machine hybrid model for forecasting daily evapotranspiration. Stochastic Environmental Research and Risk Assessment,29(2):1-15.
  17. Chiu, S.L., 1994. Fuzzy model identification based on cluster estimation .Journal of intelligent and Fuzzy systems, 2(3):267-278.
  18. Jang, J.S.R., 1993. ANFIS: adaptive-network-based fuzzy inference system.Systems, Man and Cybernetics, IEEE Transactions on, 23(3):665-685.
  19. Karimi, S., Kisi, O., Shiri, J. and Makarynskyy, O. 2015. A Wavelet and Neuro-fuzzy Conjunction Model to Forecast Air Temperature Variations at Coastal Sites. The International Journal of Ocean and Climate Systems.6(4):159-172.
  20. Kisi, O. 2010.Wavelet regression model for short-term streamflow forecasting. Journal of Hydrology, 389(3–4): 344-353.
  21. Kisi, O. 2008.The potential of different ANN techniques in evapotranspiration modelling. Hydrological Processes, 22(14): 2449-2460.
  22. Kişi, Ö. 2011.Evapotranspiration modeling using a wavelet regression model. Irrigation science, 29(3):241-252.
  23. Kisi, O. and Shiri, J. 2012. Wavelet and neuro-fuzzy conjunction model for predicting water table depth fluctuations. Hydrology Research, 43(3):286-300.
  24. Landeras, G., Ortiz-Barredo, A., &López, J. J. 2009 Forecasting weekly evapotranspiration with ARIMA and artificial neural network models. Journal of Irrigation and Drainage Engineering, 135(3): 323-334.
  25. Luo.,Y.,Chang.,X.,Peng.,Sh.,Khan.,Sh., Wang.,W.,Zheng.,Q.,Cai.,X. 2014.Short-term forecasting of daily reference evapotranspiration usingthe Hargreaves–Samani model and temperature forecasts. Agricultural Water Management.136: 42-51.
  26. Nourani, V., Hosseini Baghanam, A., Adamowski, J., & Kisi, O. 2014. Applications of hybrid wavelet–Artificial Intelligence models in hydrology: A review. Journal of Hydrology, 514(1): 358-377.
  27. Partal, T. and Kişi, Ö. 2007. Wavelet and neuro-fuzzy conjunction model for precipitation forecasting. Journal of Hydrology, 342(1):199-212.
  28. Partal, T., 2015. Comparison of wavelet based hybrid models for daily evapotranspiration estimation using meteorological data. KSCE Journal of Civil Engineering.:1-9.
  29. Patil, A.P. and Deka, P.C.2015.Performance evaluation of hybrid Wavelet-ANN and Wavelet-ANFIS models for estimating evapotranspiration in arid regions of India. Neural Computing and Applications.3(7):1-11.
  30. Ramana, R.V., Krishna, B., Kumar, S.R. and Pandey, N.G. 2013.Monthly rainfall prediction using wavelet neural network analysis. Water resources management, 27(10:3697-3711.
  31. Shoaib, M., Shamseldin, A.Y., Melville, B.W. and Khan, M.M., 2015.Runoff forecasting using hybrid Wavelet Gene Expression Programming (WGEP) approach. Journal of Hydrology, 527, :326-344.
  32. Silva, D., Meza, F., Varas, E., 2010. Estimating reference evapotranspiration (ET0)using numerical weather forecast data in central Chile. J. Hydrol. 382 (1-4):64–71.
  33. Tabari H, Marofi S, Sabziparvar AA .2010. Estimation of daily pan evaporation using artificial neural network and multivariate non-linear regression. Irrigation Sci 28(5):399–406
  34. Tabari, H., Marofi, S., Aeini, A., Talaee, P. H., & Mohammadi, K. 2011. Trend analysis of reference evapotranspiration in the western half of Iran. Agricultural and Forest Meteorology, 151(2): 128-136.
  35. Tian, D., Martinez, C.G. 2012. Forecasting reference evapotranspiration using retro-spective forecast analogs in the South-eastern United States. J. Hydrometeorol. 1(3):1874–1892.
  36. Trajkovic, S., Todorovic, B., & Stankovic, M. 2003. Forecasting of reference evapotranspiration by artificial neural networks. Journal of Irrigation and Drainage Engineering, 129(6): 454-457.
Journal of Water Research in Agriculture
Volume 30, Issue 1
May 2016
Pages 73-87

Files

Share

How to cite

Statistics