ارزیابی مدل هیبریدی ann-pso و روش‌های مختلف داده‌کاوی در برآورد تبخیر و تعرق ماهانه در دو اقلیم مختلف

تبخیر و تعرق یکی از مولفه‌های اصلی بیلان آب هر منطقه و برآورد دقیق آن در مطالعات هیدرولوژیکی، طراحی سامانه‌های آبیاری و زهکشی و برنامه‌ریزی سامانه‌های آبیاری بسیار ضروری است. در این تحقیق به ارزیابی مدل درختی m5، m5 rules، k star، rep tree، مدل شبکه عصبی مصنوعی و مدل ترکیبی شبکه عصبی ann-pso در تخمین تبخیر و تعرق مرجع در دو نقطه اقلیمی مختلف در استان مرکزی بر مبنای مدل پنمن مونتیث فائو پرداخته شد. داده‌های مورد استفاده شامل دمای حداقل و حداکثر، رطوبت نسبی میانگین، سرعت باد در ارتفاع دو متری و ساعات آفتابی به عنوان ورودی مدل از ایستگاه سینوپتیک دلیجان و تفرش بین سال‌های 2021-2004 بودند و تبخیر و تعرق محاسبه‌شده از روش پنمن مونتیث فائو به عنوان خروجی مدل‌ها استفاده شد. برای ارزیابی مدل-ها از شاخص‌های جذرمیانگین مربعات خطا (rmse)، میانگین انحراف مطلق (mae) و ضریب همبستگی (r) استفاده شد. تجزیه‌وتحلیل نتایج نشان داد که برای هر دو ایستگاه، مدل ترکیبی شبکه عصبی ann-pso با rmse=0.3115، mae=0.2441 و r=0.9989 برای ایستگاه دلیجان و rmse=0.2915، mae=0.2355 و r=0.9989 برای ایستگاه تفرش و مدل درختی m5 باrmse=0.2793 ، mae=0.2398 و r=0.9967 برای ایستگاه دلیجان و rmse=0.2803، mae=0.2306 و r=0.9969 برای ایستگاه تفرش بهترین عملکرد را داشتند. همچنین مدل rep tree ضعیف‌ترین عملکرد را در بین مدل‌های مورد بررسی در این پژوهش داشت. با توجه به اینکه مدل درختی علاوه بر دقت مطلوب، روابط ساده، خطی و قابل‌فهم‌تری را برای برآورد تبخیر و تعرق مرجع ارائه می‌نماید، این مدل برای برآورد تبخیر و تعرق در این منطقه قابل توصیه است.

evaluation of hybrid model ann-pso and different data mining methods in estimating monthly evapotranspiration in two different climates

evapotranspiration is one of the main components of any region’s water balance. its accurate estimation is very necessary for hydrological studies, designing irrigation and drainage systems, and planning irrigation systems. in this research, the m5 tree model, m5 rules, k star, rep tree, artificial neural network model, and ann-pso neural network hybrid model in the estimation of reference evapotranspiration in two different climatic regions in markazi province based on the fao penman-monteith model were evaluated. the data used included minimum and maximum temperature, average relative humidity, and wind speed at a height of two meters and sunny hours as input to the model from the synoptic stations of delijan and tafresh between 2004-2021, and evapotranspiration calculated by fao penman monteith method was used as the output of the models. to evaluate the models, the root mean square of error (rmse), mean absolute error (mae) and correlation coefficient (r) indices were used. the analysis of the results showed that for both stations, ann-pso neural network hybrid model had the best performance with rmse=0.3115, mae=0.2441 and r=0.9989 for the delijan station and rmse=0.2915, mae=0.2355 and r=0.9989 for tafresh station and tree model m5 with rmse=0.2793, mae=0.2398 and r=0.9967 for delijan station and rmse=0.2803, mae=0.2306 and r=0.9969 for tafresh station. also, the rep tree model had the weakest performance among the models examined in this research. considering that the tree model provides simple, linear and more comprehensible relationships for estimating reference evapotranspiration in addition to optimal accuracy, this model is recommended for estimating evapotranspiration in this region.