ارزیابی تأثیر پیش پردازش پارامترهای ورودی به شبکه عصبی مصنوعی ((ANNs با استفاده از روشهای رگرسیون گام به گام و گاما تست به منظور تخمین سریع تر تبخیر و تعرق روزانه

نوع مقاله : مقالات پژوهشی

نویسندگان

چکیده

چکیده
تبخیر و تعرق (ETo) یکی از اجزای اصلی چرخه ی هیدرولوژیکی است که تعیین صحیح آن در مطالعات بیلان آبی، طراحی سیستم های آبیاری و برنامه ریزی و مدیریت منابع آب برای دست یابی به توسعه ی پایدار نقش به سزایی دارد. تبخیر و تعرق به علت نیاز به فاکتورهای اقلیمی مختلف و اثر متقابل این فاکتورها بر هم دیگر یک پدیده ی غیرخطی و پیچیده است. یکی از مراحل پیچیده در مد ل سازی سیستم های غیرخطی، پیش پردازش پارامتر‌های ورودی جهت انتخاب ترکیبی مناسب از آن ها است. پیش پردازش داده ها سبب کاهش مراحل سعی و خطا و شناخت مهم ترین پارامترهای مؤثر بر پدیده ی مورد نظر جهت مدل سازی با استفاده از روش های هوشمند می گردد. در این تحقیق از دو روش رگرسیون گام به گام (FS) و گاماتست (GT) برای پیش پردازش پارامترهای ورودی به شبکه ی عصبی پرسپترون چند لایه (MLP) جهت تخمین ETo روزانه ی ایستگاه سینوپتیک شیراز استفاده شده است. برای ارزیابی تأثیر پیش پردازش پارامترهای ورودی با استفاده از معیارهای مختلف آماری سنجش خطا به مقایسه ی دو مدل ANN-FS و ANN-GT (با پارامترهای پردازش شده) با یکدیگر و هم چنین با مدل ANN که هیچ گونه پیش پردازشی روی پارامترهای ورودی آن انجام نشده است، پرداخته شد. نتایج نشان داد که هر سه مدل از دقت بالایی جهت تخمین ETo روزانه برخوردارند و از میان سه مدل فوق، مدل ANN-GT با مقدار ضریب تبیین (R2) 9995/0 و ریشه میانگین مربعات خطا (RMSE) 0483/0 نسبت به دو مدل دیگر ANN-FS و ANN به ترتیب با مقادیر R2 برابر با 9984/0 و 9994/0 و RMSE برابر با 0874/0 و 0548/0 از دقت بالاتری برخوردار است. اگرچه در این تحقیق برتری دقت مدل ANN-GT نسبت به مدل ANN ناچیز است اما توانایی های مشخص نمودن ترتیب اهمیت پارامترهای ورودی، تعیین تعداد تقریباً 800 داده ی معنی دار برای آموزش شبکه و یافتن بهترین ترکیب که شامل همه ی پارامترهای ورودی به جز دمای حداکثر می باشد این آزمون را می تواند به عنوان ابزار مفیدی برای پیش پردازش پارامترهای ورودی جهت مدل سازی سربع تر تبخیر و تعرق تبدیل کند.

واژه های کلیدی : تبخیر و تعرق پتانسیل، شبکه های عصبی مصنوعی، گاماتست، رگرسیون گام به گام، ایستگاه سینوپتیک شیراز

عنوان مقاله [English]

Evaluation Effect of Input Parameters Preprocessing in Artificial Neural Networks (Anns) by Using Stepwise Regression and Gamma Test Techniques for Fast Estimation of Daily Evapotranspiration

نویسندگان [English]

  • M. Ghabaei Sough
  • A. Mosaedi
  • M. Hesam
  • A. Hezarjaribi
چکیده [English]

Abstract
Process of evapotranspiration (ETo) is a major component of the hydrologic cycle that its accurate estimation plays an important role to achieve sustainable development in water balance, irrigation system design and planning and management of water resources. Being a function of different metrological parameters and their interactions, evapotranspiration is a complex, nonlinear phenomenon. Preprocessing input parameters to select appropriate combinations is complex when modeling nonlinear systems. Using these methods reduce steps by trial and error by recognizing most important parameters for modeling by intelligent methods. In this study, two methods of stepwise regression (FS) and gamma test (GT) were used for preprocessing input parameters in multi layer perceptron neural network (MLP) to estimate daily estimation of ETo at Shiraz synoptic station. To evaluate the effect of Input parameters preprocessing in artificial neural networks using different statistical error criteria, ANN-FS and ANN-GT both with pre-processed parameters were compared against each other and also with ANN model without pre-processed parameters. The results showed that all three models have a high degree of accuracy to estimate daily ETo. ANN-GT model represented a determination coefficient (R2) of 0.9995 and the root mean square error (RMSE) of 0.0483. For ANN-FS and ANN models R2 values were 0.9984 and 0.9994 respectively and RMSEs were 0.0874 and 0.0548 respectively. Although the accuracy of ANN-GT model was slightly greater than ANN, but the ability of determination of importance of input parameters, education and recognition of the best combination of input parameters with 800 data in this study, makes this model a useful tool for fast preprocessing input parameters to model evapotranspiration.

Keywords: Potential evapotranspiration, Artificial neural networks, Gamma test, Stepwise regression, Shiraz synoptic station