برآورد تبخیر-تعرق روزانه و هفتگی با استفاده از رویکردهای ترکیبی محاسبات نرم

از آنجا که بخش بسیار بزرگی از آب در دسترس به واسطه تبخیرتعرق تلف می شود، برآورد دقیق آن در دوره های زمانی کوتاه مدت و بلندمدت حائز اهمیت می باشد. در این مقاله قابلیت رویکرد مدل درخت m5 و جنگل تصادفی (rf) به عنوان رویکردهای هوش مصنوعی و همچنین در ترکیب با فرآیند پیش پردازشگر موجک، جهت برآورد تبخیرتعرق پتانسیل روزانه و هفتگی در ایستگاه سینوپتیک بابلسر بررسی گردید. با توجه به ساختار سری زمانی داده های ورودی، دو تابع موجک مادر کویفلت و دوبشی مرتبه ششم در سطوح تجزیه 3 تا 8 انتخاب شدند. به منظور ارزیابی مدل های ارائه شده از چهار شاخص ضریب همبستگی (r)، شاخص توافق (ia)، ضریب ناشساتکلیف (nse) و جذر متوسط مربعات خطا (rmse) استفاده شد. نتایج حاصل از این پژوهش نشان داد که با وجود این که کلیه مدل های منفرد، کارایی مطلوبی در مدلسازی تبخیرتعرق دارند، استفاده از فرآیند پیش پردازش موجک، در تمامی موارد موجب ارتقای عملکرد مدل های منفرد شده و همچنین باعث می شود تا سناریوهای ورودی ساده تر هم نتایج مطلوب تری ارائه کنند. به عنوان مثال در سناریوی ورودی سوم (سرعت باد، دمای حداکثر، رطوبت نسبی و نقطه شبنم) استفاده از موجک دوبشی مرتبه ششم در سطح تجزیه 5 موجب شد تا ضریب همبستگی مدل روزانه از 0.908 به 0.928 ارتقا یافته و همزمان rmse از 0.833 به 0.722 میلی متر در روز کاهش یابد. به طور مشابه استفاده از موجک مادر کویفلت مرتبه چهارم در سطح تجزیه 5 موجب شد تا در مدل هفتگی ضریب همبستگی از 0.948 به 0.961 افزایش یافته و میزان rmse از 4.55 به 4 میلی متر در هفته کاهش یابد. از این رو این تحقیق، کارایی رضایتبخش هر دو رویکرد منفرد و ترکیبی در برآورد تبخیرتعرق دوره های زمانی روزانه و هفتگی را نشان داد، با این وجود کاربرد رویکردهای ترکیبی موجب شد تا استفاده از پارامترهای هواشناسی ساده تر و در دسترس تر هم نتایج رضایتبخشی را ارائه کند.

Estimation of Daily and Weekly Evapotranspiration Using Hybrid Approaches of Soft Computing

Since a considerable part of the available water is wasted due to evapotranspiration, a precise estimation of it in shortterm and longterm periods is of great importance. In this paper, the capability of the M5 model tree and random forest (RF), as the artificial intelligence approaches, and in combination with the wavelet preprocessing, investigated to estimate the potential daily and weekly evapotranspiration in the synoptic station of Babolsar. Given the time series structure of the input data, the two functions of Coiflet mother wavelet and Daubechies 6 wavelet in the decomposition levels of 3 to 8 were chosen. The four indices of correlation coefficient (R), index of agreement (Ia), NashSutcliffe model efficiency coefficient (NSE) and root mean square error (RMSE) used to evaluate the presented models. The obtained results indicated that although all individual models have desirable efficiency in modeling the evapotranspiration, the use of wavelet preprocessing enhances the performance of individual models in all cases while allows the simpler input scenarios to provide more desirable results. For instance, in the third input scenario (wind speed, maximum temperature, relative humidity, and dew point), the use of Daubechies 6 wavelet in the decomposition level of 5 increased the correlation coefficient of the daily model from 0.908 to 0.928 while reduced the RMSE from 0.833 mm/day to 0.722 mm/day. Similarly, the use of Coiflet4 mother wavelet in the decomposition level of 5 raised the correlation coefficient of the weekly model from 0.948 to 0.961 while lowered the RMSE from 4.55 mm/week to 4 mm/week. Therefore, in the present study, the efficiency of both individual and hybrid approaches in estimating the evapotranspiration of daily and weekly periods is satisfactory. However, if the hybrid approaches employed, even the use of simpler and more accessible meteorological parameters will provide satisfactory results.