پیش‌بینی تبخیر-تعرق مرجع ایستگاه سینوپتیک اهواز با استفاده از مدل ترکیبی موجک – شبکه عصبی GMDH

نوع مقاله: مقاله پژوهشی

نویسنده

هیات علمی دانشگاه زنجان

چکیده

سابقه و هدف: تخمین دقیق مقدار تبخیر-تعرق مرجع برای انجام بسیاری از تحقیقات ضروری و از مهم‌ترین مسائل در طرح‌های آبیاری و زهکشی و منابع آب به شمار می‌رود. یکی از این مسائل که می‌تواند در راستای اهداف ذکرشده اعمال شود، پیش‌بینی تبخیر-تعرق مرجع برای آینده است تا بتوان با برنامه‌ریزی‌های مناسب، امکان استفاده بهتر از منابع موجود را فراهم نمود (7). در سال‌های اخیر استفاده از روش‌های هوش مصنوعی و مدل هیبریدی بر پایه موجک در پیش‌بینی پارامترهای هیدرولوژیکی بسیار متداول گشته است (12). هدف تحقیق حاضر استفاده از دو مدل GMDH و موجک-GMDH در پیش‌بینی تبخیر-تعرق مرجع روزانه در ایستگاه سینوپتیک اهواز است.
مواد و روش‌ها:. بدین منظور یک دوره آماری 10 ساله (2000 الی 2009) که 7 سال (2000-2006) آن برای آموزش و 3 سال (2007-2009) جهت آزمون و صحت سنجی مدل‌های پیشنهادی در نظر گرفته شد. برای ایجاد سری زمانی تبخیر-تعرق مرجع روزانه در دوره مورد نظر از معادله استاندارد پنمن-مانتیث فائو 56 استفاده گردید. 9 ترکیب ‌مختلف از داده‌های ورودی (تأخیرهای مختلف) و انواع موجک‌های مادر (13 موجک مادر) مورد ارزیابی قرار گرفت. در مجموع 126 مدل که 117 عدد از آن‌ها مربوط به مدل هیبریدی موجک-GMDH و 9 مدل شبکه عصبی GMDH بود، اجرا گردید. برای انتخاب بهترین مدل از معیارهای آماری نظیر ضریب تبیین (R2)، ریشه میانگین مربعات خطا (RMSE) و درصد متوسط خطا (MARE) استفاده شد.
یافته‌ها: نتایج نشان داد که مدل هیبریدی موجک-GMDH (با RMSE 31/0 میلی‌متر بر روز) در مقایسه با مدل شبکه عصبی GMDH (با RMSE 22/1 میلی‌متر بر روز) دارای توانایی و دقت بالاتری در پیش‌بینی تبخیر-تعرق مرجع روزانه است. همچنین نتایج نشان داد که استفاده از تأخیرهای زمانی بیشتر از چهار روز تأثیر چندانی بر دقت مدل‌ها ندارد و در برخی موارد می‌تواند موجب کاهش دقت نیز گردد. نتایج تحقیق حاضر با تحقیقات مشابه که از تبدیل موجک برای پیش پردازش داده ها استفاده نموده اند، مطابقت دارد (1، 4، 5 و 12). بررسی انواع موجک‌های مادر نیز نشان داد که استفاده از موجک میر به علت پیچیدگی بیشتر باعث افزایش دقت مدل‌ها می‌گردد. یافته فوق با نتایج رجایی و ابراهیمی(2014)، شعیب و همکاران(2015) و طوفانی و همکاران (2012) مطابقت دارد(13، 15 و 17).
نتیجه‌گیری: نتایج این تحقیق نشان داد که مدل موجک- GMDH (درصد متوسط خطای مطلق 53/5) در پیش‌بینی تبخبر-تعرق مرجع برای یک روز بعد برتری چشم‌گیری بر مدل GMDH ( درصد متوسط خطای 11/22) دارد. از نتایج تحقیق حاضر می‌توان در برنامه‌ریزی آبیاری منطقه موردمطالعه استفاده نمود. در پایان پیشنهاد می‌گردد، مدل‌های پیشنهادی در اقلیم‌های مختلف ایران نیز مورد بررسی و ارزیابی قرار بگیرند.

کلیدواژه‌ها

عنوان مقاله [English]

Forecasting of Daily Reference Evapotranspiration at Ahvaz synoptic station using wavelet-GMDH hybrid model

نویسنده [English]

  • Masoud Karbasi

چکیده [English]

Background and objectives: Reference evapotranspiration is one of the most effective components of agricultural water use and management of water resources. Determination of the water requirements of various plants during the growing season is necessary in order to prevent water waste and proper planning (7). In recent years the use of artificial intelligence technics and hybrid model in forecasting of hydrological parameters has become very popular (12). The objective of this study is to evaluate GMDH neural network and wavelet-GMDH hybrid models in forecasting of daily reference evapotranspiration at Ahvaz synoptic station.
Materials and Methods: For this purpose, 10-year period (2000 to 2009), 7 years (2000-2006) for training and 3 years (2007-2009) to test different models were considered. Reference crop evapotranspiration time series generated using standard penman-monteith equation. Different combinations of inputs (different delays) and various mother wavelets were examined. To test different models were considered different combinations of inputs (9 different delays); and different mother wavelets (13 mother wavelets). A total of 126 models 117 of them related to hybrid models wavelet- GMDH and 9 for GMDH neural network were carried out. To choose the best model, statistical criteria such as coefficient of determination (R2), root mean square error (RMSE) and the mean percentage error (MARE) was used.
Results: The results showed that wavelet-GMDH hybrid model (RMSE = 0.31 mm / day) compared with GMDH neural network (RMSE = 1.22 mm / day) has higher accuracy in forecasting daily reference evapotranspiration. The results showed that use of delays longer than four days have little effect on the accuracy of models and in some cases can result in reduced accuracy. The results of similar studies that have used wavelet transform to preprocessing data are in correspondence with our findings (1, 4, 5 and 12). Results of GMDH neural network showed that number of delays did not affect the accuracy of model. This study evaluates the accuracy of the wavelet-artificial neural network hybrid model for different mother wavelets. Results showed that Meyer mother wavelet due to its complexity and its shape improved the accuracy of models. These findings correspond with the findings of Rajaee and Ebrahimi(2014), Shoaib et al(2015) and Toofani et al (2012) (13, 15 and 17).
Conclusion: Results of this study showed that, at the forecasting of one day ahead reference evapotranspiration Wavelet-GMDH model (MAPE=5.53%) has significant superiority to GMDH model (MAPE=22.11%). The results of this study can be used in the planning of irrigation water in this area. At the end it is recommended that proposed models has been evaluated in different climate conditions of Iran.

کلیدواژه‌ها [English]

  • Evapotranspiration
  • Forecasting of time series
  • Wavelet transform
  • GMDH neural network
  • Ahvaz synoptic station