تحلیل حساسیت داده‌های هواشناسی در برآورد تبخیر و تعرق مرجع با حداقل داده‌های هواشناسی با استفاده از مدل‌های موجک- عصبی- فازی، ann و anfis

ﻫﺪف از ﻣﻄﺎﻟﻌﻪ ﺣﺎﺿﺮ ﺑﺮآورد ﻣﻘﺪار ﺗﺒﺨﯿﺮ و ﺗﻌﺮق (et ) در اﻗﻠﯿﻢ ﻧﯿﻤﻪ ﻣﺮﻃﻮب ﻣﻌﺘﺪل ﺳﺮد و در ﯾﮏ دوره آﻣﺎری 22 ﺳﺎﻟﻪ ﺑﺎ ﺑﮑﺎرﮔﯿﺮی ﻣﺪل ﻣﻮﺟﮏ-ﻋﺼﺒﯽ-ﻓﺎزی ﺑﺎ ﺣﺪاﻗﻞ ﺗﻌﺪاد ﭘﺎراﻣﺘﺮﻫﺎی ورودی ﻣﻮﺛﺮ ﺑﻮد. ﺑﻪ ﻣﻨﻈﻮر ﺑﺮرﺳﯽ ﮐﺎراﯾﯽ اﯾﻦ ﻣﺪل ﻧﺘﺎﯾﺞ ﺑﺎ ﻣﺪل ﺷﺒﮑﻪ ﻋﺼﺒﯽ و اﻧﻔﯿﺲ (anfis) ﻣﻘﺎﯾﺴﻪ ﺷﺪ. آﻧﺎﻟﯿﺰ ﺣﺴﺎﺳﯿﺖ دادهﻫﺎی ورودی ﺑﻪ ﺳﻪ روش ﻫﯿﻞ، ﺿﺮﯾﺐ ﺗﺒﯿﯿﻦ و اﺳﺘﺎتﺳﺎﻓﺖ اﻧﺠﺎم ﺷﺪ. آﻧﺎﻟﯿﺰ ﺗﺤﻠﯿﻞ ﺣﺴﺎﺳﯿﺖ ﻧﺸﺎن داد ﮐﻪ دﻣﺎ (t) (دﻣﺎی ﻣﯿﻨﯿﻤﻢ، ﻣﺎﮐﺰﯾﻤﻢ و ﻣﯿﺎﻧﮕﯿﻦ)، ra ،rs، ﺳﺮﻋﺖ ﺑﺎد در ارﺗﻔﺎع دو ﻣﺘﺮی (u ) و rn ﺑﻪ ﻋﻨﻮان ﭘﺎراﻣﺘﺮﻫﺎی اﺛﺮﮔﺬار ﺑﻮدهاﻧﺪ و ﺗﺮﮐﯿﺐﻫﺎی ﻣﺨﺘﻠﻒ اﯾﻦ ﭘﺎراﻣﺘﺮﻫﺎی ورودی ﻣﯽﺗﻮاﻧﺪ ﻣﻨﺠﺮ ﺑﻪ ﺑﺮآورد دﻗﯿﻖﺗﺮ et ﺷﻮد. ﺑﺮ اﺳﺎس ﻧﺘﺎﯾﺞ آﻧﺎﻟﯿﺰ ﺣﺴﺎﺳﯿﺖ، ﺷﺶ ﺗﺮﮐﯿﺐ ﺑﺎ ﭘﺎراﻣﺘﺮﻫﺎی ﻣﺬﮐﻮر اﻧﺘﺨﺎب ﺷﺪ و دﻣﺎ در ﺗﻤﺎﻣﯽ اﯾﻦ ﺗﺮﮐﯿﺐﻫﺎ ﺑﻪ ﻋﻨﻮان ﻣﺘﻐﯿﺮ ورودی ﺑﻪ ﮐﺎر ﺑﺮده ﺷﺪ. ﺑﺎ ﮐﺎرﺑﺮد ﺳﻪ ﭘﺎراﻣﺘﺮ ورودی tmax ،tmin و rs و ﻣﻮﺟﮏ sym8 ﻣﺪل ﻣﻮﺟﮏ-ﻋﺼﺒﯽ-ﻓﺎزی ﻋﻤﻠﮑﺮد ﺑﻬﺘﺮی (mbe0/03 = و r20/71 =) ﻧﺴﺒﺖ ﺑﻪ ﻣﺪل ﺷﺒﮑﻪ ﻋﺼﺒﯽ (mbe0/007 = و r20/65 =) دارد. ﺑﺮاﺳﺎس ﺿﺮﯾﺐ ﺗﺒﯿﯿﻦ و ﻣﻘﺪار ﺧﻄﺎی ﻣﺤﺎﺳﺒﻪ ﺷﺪه ﺑﺮای ﺷﺒﮑﻪ ﻋﺼﺒﯽ و اﻧﻔﯿﺲ، ﺗﺮﮐﯿﺐ 7 ﭘﺎراﻣﺘﺮ ورودی )tmin ،tmean، u2 ،rs ،rn ،ra و anfis= 0/007 ،ann= mbe0/003) (tmax ann= r20/99 ،mbe و anfis= r20/99( و ﭼﻬﺎر ﭘﺎراﻣﺘﺮ ورودی ﻫﻮاﺷﻨﺎﺳﯽ )tmean ،u2 ،ra و tmax( ﺑﯿﺸﺘﺮﯾﻦ دﻗﺖ )ann= 0/93 ،anfis= mbe0/05 ،ann= mbe0/07 = r20/98 و r2 را در ﺗﺨﻤﯿﻦ ﻣﯿﺰان et در ﻣﻘﺎﯾﺴﻪ ﺑﺎ روش ﻓﺎﺋﻮ ﭘﻨﻤﻦ ﻣﺎﻧﺘﯿﺚ داﺷﺘﻨﺪ. ﻧﺘﺎﯾﺞ ﻫﻤﭽﻨﯿﻦ ﻧﺸﺎن داد ﮐﻪ ﺑﯿﺸﺘﺮﯾﻦ ﻣﻘﺪار ﺿﺮﯾﺐ ﺗﺒﯿﯿﻦ و ﮐﻤﺘﺮﯾﻦ ﻣﻘﺪار ﺧﻄﺎ در ﺑﯿﻦ ﻣﻮﺟﮏﻫﺎی ﻣﺨﺘﻠﻒ ﻣﻮرد اﺳﺘﻔﺎده در ﻣﺪل ﻣﻮﺟﮏ-ﻋﺼﺒﯽ-ﻓﺎزی ﺑﻪ ﺗﺮﺗﯿﺐ ﺑﺮای ﺗﺮﮐﯿﺐﻫﺎی 7 و 3 ﭘﺎراﻣﺘﺮ ورودی )tmax, tmin, rs( ﺑﺎ ﻣﻘﺎدﯾﺮ ﺿﺮﯾﺐ ﺗﺒﯿﯿﻦ 0/87 و ﻣﻘﺪار ﻣﯿﺎﻧﮕﯿﻦ ﺧﻄﺎی اﻧﺤﺮاف 0/02 ﺑﺮای ﺗﺮﮐﯿﺐ 7 ﭘﺎراﻣﺘﺮی و ﺑﺎ ﻣﻘﺎدﯾﺮ ﺿﺮﯾﺐ ﺗﺒﯿﯿﻦ 0/71 و ﻣﻘﺪار ﻣﯿﺎﻧﮕﯿﻦ ﺧﻄﺎی اﻧﺤﺮاف 0/03 ﺑﺮای ﺗﺮﮐﯿﺐ ﺳﻪ ﭘﺎراﻣﺘﺮی ﺑﺪﺳﺖ آﻣﺪه اﺳﺖ. ﻧﺘﺎﯾﺞ اﯾﻦ ﻣﻄﺎﻟﻌﻪ ﻫﻤﭽﯿﻦ ﻧﺸﺎن داد ﮐﻪ ﺑﺮاﺳﺎس آﻣﺎرهﻫﺎی ﺧﻄﺎ )mbe ،mae ،nrmse ،rmse و ef( و ﺿﺮﯾﺐ ﺗﺒﯿﯿﻦ، ﺑﺮﺗﺮﯾﻦ روشﻫﺎ در ﺑﺮآورد ﻣﻘﺪار ﺗﺒﺨﯿﺮ و ﺗﻌﺮق ﻓﺼﻠﯽ، ﺳﺎﻻﻧﻪ و ﻣﺎﻫﺎﻧﻪ، روشﻫﺎی ﻫﺎﮔﺮﯾﻮرز ام 4، ﺗﯿﻠﻮر-ﭘﺮﯾﺴﺘﻠﯽ، اﯾﺮﻣﺎک و ﻣﯿﺮ ﺑﻮدﻧﺪ. ﺑﺮاﺳﺎس دو آﻣﺎرهی ﺧﻄﺎی ef و nrmse ﺑﺮای ﭼﻬﺎر روش ﻫﺎﮔﺮﯾﻮرز ام-4 )0/92=nrmse =0/11 ،ef(، ﺗﯿﻠﻮر-ﭘﺮﯾﺴﺘﻠﯽ )0/88 =nrmse =0/12 ،ef(، اﯾﺮﻣﺎک (0/67=nrmse =0/25 ،ef) و ﻣﯿﺮ (0/73=ef، 0/03= nrmse) در ﺑﺎزه زﻣﺎﻧﯽ ﻃﻮﻻﻧﯽ ﻣﺪت، از ﻧﻈﺮ ﮐﺎراﯾﯽ ﻣﺪل روش ﻫﺎرﮔﺮﯾﻮز (0/92 =ef) و از ﻧﻈﺮ ﺟﺬر ﻣﯿﺎﻧﮕﯿﻦ ﻣﺮﺑﻊ ﺧﻄﺎی ﻧﺮﻣﺎل ﺷﺪه، ﻣﯿﺮ (0/03= nrmse) از ﺑﻘﯿﻪ روشﻫﺎ ﺑﻬﺘﺮ ﻋﻤﻞ ﻧﻤﻮده اﺳﺖ.

Sensitivity analysis of meteorological data in estimating reference evapotranspiration with the minimum data using wavelet-neuro-fuzzy, ANN and ANFIS models

The aim of this study was to estimate the ET0 in a moderately cold semihumid climate in a 22year statistical period by applying a waveletneurofuzzy model with a minimum number of input parameters.The results were compared with the ANN and ANFIS models to evaluate the performance of the waveletneurofuzzy model, The sensitivity analysis of the input parameters was done in three ways: Hill method, coefficient of determination, and StatSoft. Sensitivity analysis showed that temperature (T), Rs, Ra, mean daily wind speed at 2 meters (U2) and Rn were an effective parameter.Based on the results of the sensitivity analysis, six combinations with these parameters were selected.The results indicate that the waveletneuralfuzzy model has a better performance than the artificial neural network model. The results also showed that the estimated ET0 value with three inputs parameters of maximum and minimum temperature and solar radiation using fuzzyneuralwavelet model was more accurate than the neural network. Based on the coefficient of determination and the amount of calculated error for the artificial neural network and the Anfis, use of the combination of 7 input parameters (Ra, Rn, Rs, U2, Tmean, Tmin and Tmax) and four meteorological input parameters (Ra, U2, Tmean and Tmax) lead to more accurate estimates of ET0 in comparison to the FAO PenmanMonteith method. The results also showed that the highest amount of explanatory factor and the lowest error value among the different wavelets used in the fuzzyneurowavelet model were for the 7 and three input parameters (Tmax, Tmin, Rs), respectively.