ارزیابی سیستم های هوشمند عصبی در کاهش پارامترهای تخمین تبخیر تعرق گیاه مرجع

نوع مقاله : مقالات پژوهشی

نویسندگان

چکیده

چکیده
مطالعه حاضر به منظور استفاده از حداقل پارامترهای هواشناسی در پیش بینی تبخیر تعرق گیاه مرجع در منطقه همدان برای سال های 1376 و 1377 صورت گرفته است. بدین منظور، با استفاده از آزمون پیرسون، شش پارامتر هواشناسی مورد نیاز در روش پنمن مانتیث فائو-56 که شامل دماهای حداکثر و حداقل، مقادیر رطوبت نسبی حداقل و حداکثر، سرعت باد در ارتفاع دو متری و ساعت آفتابی روزانه می شوند، به صورت چهار سناریوی اطلاعاتی با یکدیگر ترکیب و به کاربرده شدند (که تحت عنوان شماره 1، 2، 3 و 4 نام گذاری شدند). با اعمال این سناریوها بر مدل های هوشمند شبکه عصبی مصنوعی (ANN) و سیستم استنتاج تطبیقی عصبی- فازی (ANFIS) در محیط نرم افزاری MATLAB، تبخیر تعرق گیاه مرجع منطقه تخمین گردید. به منظور ارزیابی نتایج هر یک از سناریوهای مورد استفاده، از مقادیر واقعی تبخیر تعرق مرجع (لایسیمتری) استفاده شد. نتایج نشان داد که افزایش تعداد اطلاعات در لایه ورودی لزوماً منجر به بهبود نتایج مدل های هوشمند نمی شود. سناریوی اطلاعاتی شماره 2 که شامل سه پارامتر دمای حداقل و حداکثر هوا و ساعت آفتابی روزانه بود، در هر دو مدل ANN و ANFIS برآوردهای معقول و یکسانی در بر داشت. در این سناریو مقادیر حداقل معیار مجذور میانگین مربعات خطا (RMSE)، میانگین مطلق خطا (MAE) و حداکثر ضریب تعیین (R2) در مرحله آزمایش به ترتیب معادل 09/0 و 07/0 میلی متر بر روز و 90/0 بودند. در مجموع بین نتایج شبکه عصبی مصنوعی و سیستم استنتاج تطبیقی عصبی- فازی از نظر آماره‌های خطاسنجی اختلاف قابل ملاحظه ای مشاهده نشد. ضمن آن که این دو نسبت به نیاز اطلاعاتی در لایه ورودی خود دارای حساسیت یکسان بودند. مدل شبکه عصبی پس از 26 تکرار محاسباتی در مقایسه با سیستم استنتاج تطبیقی عصبی- فازی که با 40 تکرار محاسباتی بود، سریع تر به جواب مناسب دست یافت. همچنین برآوردهای شبکه های عصبی با روش استاندارد پنمن مانتیث نیز مقایسه گردید، که نشان دهنده دقت و توانمندی قابل ملاحظه مدل های هوشمند (RMSE معادل 09/0 میلی متر بر روز) نسبت به روش استاندارد (RMSE معادل 34/0 میلی متر بر روز)، برای تخمین تبخیر تعرق گیاه مرجع می باشد.

واژه‌های کلیدی: تبخیر تعرق گیاه مرجع، آزمون پیرسون، مدل های هوشمند، همدان

عنوان مقاله [English]

Evaluation of Artificial Neural Network and Adaptive Neuro Fuzzy Inference System in Decreasing of Reference Evapotranspiration Parameters

نویسندگان [English]

  • .H Zare Abyaneh
  • M. Bayat Varkeshi
  • S. Marofi
  • R. Amiri Chayjan
چکیده [English]

Abstract
The present study is attempted to present the minimum required meteorological parameters for reference evapotranspiration estimation at Hamedan region of Iran from 1997 to 1998. Employing Pierson test, six meteorological parameters which are used by Penman-Montieth FAO-56 method including maximum and minimum air temperature, maximum and minimum relative humidity, wind speed and daily sunshine were composed and considered as 4 difference scenarios (called 1, 2, 3 and 4). These scenarios were applied to artificial neural network (ANN) and adaptive neuro-fuzzy inference system (ANFIS) for reference evapotranspiration estimation of the area using the Matlab software. The results of the scenarios were evaluated using the actual reference evapotranspiration (lysimeter data). The results showed that increasing of number of input layers data could not be based as obtaining the more exact results. Using the scenario 2, which was based on minimum and maximum temperature as well as daily sunshine, showed more reliable results using the ANN and ANFIS methods. The root mean square error (RMSE), mean absolute error (MAE) and R2 of examination step of this scenario were 0.09, 0.07 mm/day and 0.9, respectively. Overall, the statistic performances revealed that ANN and ANFIS had the same results and similar input layer sensitivity. The iteration times of the ANN and ANFIS methods to reach the best results were 26 and 40, respectively. Comparison between ANN (RMSE= 0.09 mm/day) and standard Penman-Montieth method (RMSE= 0.34 mm/day) confirmed that the intelligence approaches such as ANN are more accurate for reference evapotranspiration estimation.

Keywords: Reference evapotranspiration, Pierson test, Intelligence methods, Hamedan