پیش‌بینی تبخیرتعرق مرجع روزانه با استفاده از مدل ترکیبی موجک-شبکه عصبی مصنوعی

تبخیر-تعرق گیاه مرجع یکی از مهم‌ترین و موثرترین عوامل در بهینه‌سازی مصرف آب کشاورزی و مدیریت منابع آب می‌باشد. پیش‌بینی تبخیرتعرق مرجع روزانه می‌تواند در پیش‌بینی نیاز آبی گیاهان و برنامه‌ریزی کوتاه‌مدت آبیاری مورد استفاده قرار گیرد. در سال‌های اخیر استفاده از شبکه‌های عصبی مصنوعی و مدل هیبریدی موجکعصبی در پیش‌بینی پارامترهای هیدرولوژیکی بسیار متداول شده است. هدف تحقیق حاضر استفاده از مدل‌های شبکه عصبی مصنوعی و موجکشبکه عصبی در پیش‌بینی تبخیرتعرق مرجع در بازه 1 تا 28 روز در ایستگاه همدیدی تبریز و مقایسه بین آن‌ها می‌باشد. 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 تبخیرتعرق مرجع روزانه در دوره موردنظر با استفاده از معادله استاندارد پنمن-مانتیث فائو 56 محاسبه گردید. ترکیب‌های متفاوتی از داده‌های ورودی (تاخیرهای مختلف) و انواع موجک‌های مادر مورد ارزیابی قرار گرفت. نتایج پیش‌بینی تبخیرتعرق مرجع برای یک روز آینده، نشان داد که مدل ترکیبی موجک-عصبی (mm/day 0.07=rmse و 0.999r=) در مقایسه با مدل شبکه عصبی مصنوعی (mm/day 0.69 rmse= و 0.964=r) دارای توانایی و دقت بالاتری در پیش‌بینی تبخیرتعرق روزانه برای یک روز آینده می‌باشد. هم چنین نتایج نشان داد که استفاده از تاخیرهای زمانی 1 تا 7 (m7) و 1 تا 6 (m6) روزه بالاترین دقت را ارائه می‌دهند و استفاده از تاخیرهای کم تر و تاخیرهای یک‌ساله دوساله دقت مدل را کاهش می‌دهند. بررسی انواع موجک‌های مادر نیز نشان داد که پیش ‌پردازش داده‌ها با موجک‌ ‌میر به دلیل پیچیدگی بیش تر و تشابه به سری زمانی تبخیرتعرق مرجع، می‌تواند موجب افزایش دقت، پیش‌بینی گردد. برای پیش‌بینی تبخیرتعرق مرجع در 2 تا 28 روز آینده، مدل موجکشبکه عصبی پیشنهادی مورد استفاده قرار گرفت. نتایج نشان داد که با بیشتر شدن زمان پیش‌بینی از 2 تا 28 روز، دقت مدل‌ها کاهش (r از 0.997 برای 2 روز تا 0.929 برای 28 روز) می‌یابد. هم چنین در پیش‌بینی‌های 2 تا 12 روزه استفاده از تاخیرهای سالانه موجب کاهش دقت مدل گردید، درحالی‌که در پیش‌بینی‌های 13 تا 28 روزه استفاده از تاخیر زمانی سالانه افزایش دقت مشاهده گردید. در نهایت برای مقایسه مدل‌ها از نظر آماری، آزمون‌های t و f برای مقایسه میانگین و واریانس انجام گرفت. نتایج مقایسه نشان داد که کلیه مدل‌های پیشنهادی در سطوح 99 و 95 درصد تفاوت معنی‌داری وجود ندارد.

Forecasting of Daily Reference Crop Evapotranspiration Using WaveletArtificial Neural Network Hybrid Model

Reference crop evapotranspiration is one of the most important and effective factors for optimizing agricultural water consumption and water resources management. Forecasting of daily reference evapotranspiration can be used for shortterm planning of irrigation water requirements. In recent years the use of artificial neural networks and waveletneural hybrid model has become very popular in the forecasting of hydrological parameters.  The aim of the present study is to use artificial neural network and waveletneural network models to forecast reference evapotranspiration in the range of 1 to 28 days ahead at Tabriz synoptic station. For this purpose, a 10year period (2000 to 2009), 7 years (20002006) for training and 3 years (20072009) to test and validation were considered. To create daily reference evapotranspiration time series at the given period, standard equation PenmanMonteith 56 is used. Different combinations of input data (various delays) and various mother wavelets were used. Results of reference evapotranspiration forecasts for a one day ahead, showed that the waveletANN model (RMSE=0.07 mm/day and R=0.999) compared to the artificial neural network model (RMSE=0.69 mm/day and R=0.964) has higher accuracy in forecasting of reference evapotranspiration. The results showed that the use of time delays of 1 to 7 (M7) and 1 to 6 (M6) days can provide the highest accuracy and fewer delays and delays from one year to two years can reduce the accuracy of the models. Comparison of mother wavelets showed that Meyer wavelet due to greater complexity and similarity to the time series of reference evapotranspiration would increase the accuracy of forecasting. To forecast reference evapotranspiration in 2 to 28 days ahead, the waveletneural network with Meyer wavelet model was used. The results showed that the increasing of the forecasting period from 2 to 28 days would decrease the accuracy of models (R is ranged from 0.997 to 0.929 for 2 and 28 days ahead). Also, at forecasting 2 to 12 days, annual delays reduced the accuracy of the model, while at 13 to 28day annual delay increased the accuracy of models. Finally, to compare the models, statistically, t and F tests were performed to compare the mean and variance. The comparison showed that in all the proposed models, at 99 and 95 percent levels, there was no significant difference between the results and observations. The results of this study can be used in irrigation scheduling at study area.