ارزيابي مدل هاي تجربي و هوشمند در تخمين تبخير و تعرق مرجع در شرايط حداقل داده اقليمي؛ مطالعه موردي شهر كرد

Empirical and intelligence Models Evaluation in Estimation of Reference Evapotranspiration by Minimum Climate Data; case study shahrekord

امروزه منابع آب به شدت تحت تاثير چرخه ي هيدرولوژيكي هستند و برآورد تبخير و تعرق كه جزء اصلي از چرخه ي هيدرولوژيكي است، در مديريت منابع آب نقش بسزايي دارد. اين پديده، غيرخطي و از اين لحاظ كه پارامترهاي بسياري در برآورد آن دخيل هستند، كاري بسيار مشكل است. روش هاي زيادي براي برآورد تبخير و تعرق وجود دارد كه هر كدام با مشكلي مواجه مي باشند. بعضي از اين روش ها مثل لايسيمتر هزينه بر و زمان بر مي باشند و برخي ديگر مثل روش هاي تجربي اعتبار محلي دارند. استفاده از روشي كه بتواند با توجه به ماهيت و استفاده ي حداقل از داده هاي اقليمي تبخير و تعرق را مدل كند، ضروري به نظر مي رسد. امروزه شبكه هاي عصبي كه شاخه اي از هوش محاسباتي مي باشند، در علوم مختلف مورد استفاده قرار مي گيرند. در اين تحقيق از داده هاي روزانه ي دو ايستگاه فرخ شهر و فرودگاه شهركرد در بازه ي زماني 2013- 2004 شامل دماي حداقل، دماي حداكثر، رطوبت نسبي ميانگين، ساعات آفتابي و سرعت باد در ارتفاع دو متري تحت سناريوهاي مختلف استفاده شد. ابتدا به محاسبهي چند روش تجربي در برآورد تبخير و تعرق مرجع پرداخته شد. روش هاي تجربي مورد استفاده اين تحقيق هارگريوز، بلاني كريدل، پريستلي تيلور و جنسن هيز بودند. مدل شبكه ي عصبي مصنوعي تحت سناريوهاي مختلف داده ي ورودي به كمك نرم افزار (R2012b) MATLABطراحي گرديد. در اين قسمت با انجام تست هاي مختلف با توجه به حساسيت و ميزان دقت مورد انتظار از دو تابع تانژانت سيگموئيد و لوگ سيگموئيد در لايه پنهان، تابع خطي در لايه خروجي و قاعده ي آموزش لونبرگ ماركوات استفاده شد. براي ارزيابي مدلها از مدل پنمن مونتيث فائو 56 استفاده شد. شاخص هاي آماري RMSE وMAE و Rمحاسبه گرديد. نتايج نشان داد كه از بين ده سناريوي مورد بررسي، سناريوي يك با هر پنج متغير ورودي، كمترين خطا را نسبت به روش فائو 56 و عملكرد بسيار بهتري نسبت به روش هاي تجربي داشت. از بين روش هاي تجربي نيز مدل پريستلي تيلور و هارگريوز عملكرد بهتري داشتند. همچنين نتايج آناليز حساسيت نشان داد كه دماي ماكزيمم و سرعت باد بيشترين تاثير را بر تبخير و تعرق مرجع در اين منطقه داشتند.

The water resources are severely affected by hydrological cycle.Estimation of evapotranspiration which is the main component of the hydrological cycle plays an important role in water resources management. This phenomenon is non-linear and many factors affect on that and its estimation is very difficult. Various methods have been employed to estimate evapotranspiration although they have some limitations or problems. Some of these methods are costly and time-consuming such as lysimeters، and other empirical methods have local authority. Accordingly، applying a method that can be able to model the evapotranspiration regard to the nature of the gathered data and usage of minimum climate parameters is necessary. Nowadays، Artificial Neural Network (ANN) as a novel intelligent method are used in various sciences. In this study، the daily data of two climatological stations، namely Farokhshahr and Shahrekord airport in the interval of 2004-2013 including minimum temperature، maximum temperature، average relative humidity، sunshine، and wind speed at the height of two meters under different scenarios were utilized. Initially، empirical methods of reference evapotranspiration were approximated.The used empirical methods in this research have been Hargreaves، Blany Criddle، Priestley Taylor، and Jensen Hayes. The ANN model has been designed based on different scenarios of input data through MATLAB (R2012 b) Software. In this step، different ANN architectures were evaluated based on sensitivity and accuracy So، threshold functions such as tangent sigmoid and log sigmoid in hidden layers، linear function output layer were tested in topology where as Levenberg Marquardt employed as learning function.To evaluate the models، Penman Monteis FAO 56 model was employed.The statistical indexes، namely RMSE، MAE and R were calculated. Ten scenarios have been examined، and the results demonstrated that Scenario one with five parameters had the lowest error in comparision to FAO 56 technique. Furthermore، the perposed model show superior performance than empirical methods. However، between the empirical methods، Priestley Taylor and Hargreaves had better performance. On the other hand، the sensitivity analysis illustrated that the maximum temperature and wind speed had the greatest influence on reference evapotranspiration in these regions.