ارزيابي مدل‌هاي تجربي و هوش مصنوعي در برآورد تبخير- تعرق مرجع (مطالعه موردي: ايستگاه بروجرد)

Evaluation of Experimental Models and Artificial Intelligence in Estimation of Reference Evapotranspiration (Case Study: Boroujerd Station)

فائوپنمن‌مانتيث روشي مبنا، براي برآورد تبخير- تعرق مرجع است. در خيلي از موارد دسترسي به همه اطلاعات مورد نياز، مشكل است، لذا جايگزيني مدل‌هاي با ورودي‌هاي اوليه كم و دقت مناسب ضرورت مي‌يابد. هدف از اين پژوهش بررسي قابليت مدل‌هاي تجربي، برنامه‌ريزي بيان ژن، رگرسيون گام‌به‌گام و شبكه‌بيزين در برآورد تبخير- تعرق مرجع است. براي اطلاعات ورودي مدل از اطلاعات روزانه ايستگاه سينوپتيك بروجرد در بازه زماني 1396- 1375 استفاده شد. بر اساس همبستگي بين پارامترهاي ورودي و خروجي، شش الگوي ورودي براي مدل‌سازي تعيين شد. نتايج نشان داد از بين مدل‌هاي تجربي، مدل كيمبرلي‌پنمن داراي عملكرد بهتري است. برنامه‌ريزي بيان ژن با الگوي چهارم و عملگرهاي پيش‌فرض مدل، داراي R2 = 0.98 و RMSE = 0.9، شبكه‌بيزين با الگوي ششم، داراي R2=0.91 و RMSE = 1.01 و رگرسيون گام‌به‌گام با الگوي ششم داراي R2 = 0.91 و RMSE = 0.9 در مرحله آموزش دقيق‌ترين الگوها هستند. مقايسه عملكرد مدل‌ها حاكي از برتري مدل برنامه‌ريزي بيان ژن نسبت به بقيه مدل‌ها بود به‌طوري ‌كه داراي متوسط قدر مطلق خطاي ‌نسبي (AARE) به ميزان 0/12 و نسبت ميانگين (MR) به ميزان 0/94 بود. نتايج به‌دست آمده نشان داد كه برنامه‌ريزي بيان ژن داراي توانايي قابل قبولي در تخمين تبخير- تعرق مرجع تحت شرايط آب‌وهوايي بروجرد بوده و و مي‌تواند به‌عنوان يك مدل مناسب ارائه شود.

The FAO Penman-Monteith is a baseline method to estimate reference evapotranspiration. In many cases, it is difficult to access all data, so replacing simpler models with lower input data and appropriate accuracy is necessary. The purpose of this study is to investigate the capability of the experimental models, gene expression programming, stepwise regression, and Bayesian network in estimating reference evapotranspiration. In this research, daily information of the Boroujerd synoptic station in the period of 1996 -2017 was used as model inputs. Based on the correlation between input and output parameters, six input patterns were determined for modeling. The results showed that the Kimberly-Penman model has the best performance among the experimental models. Gene expression programming with fourth pattern and Default Model Operators (R2 = 0.98 and RMSE = 0.9), Bayesian Network with sixth pattern (R2=0.91 and RMSE = 1.01), and stepwise regression with sixth pattern have the most accurate patterns at R2 = 0.91 and RMSE = 0.9 in the training stage. Comparison of the performance of the three models showed that the gene expression programming model was superior to the other two models with the Average Absolute Relative Error (AARE) of 0.12 and the Mean Ratio (MR) of 0.94. The results showed that gene expression programming had an acceptable ability to estimate reference evapotranspiration under the weather conditions of Boroujerd and could be introduced as a suitable model.