مدل‌سازی تبخیر روزانه در ایستگاه سد زاینده‌رود با استفاده از مدل‌های هوش مصنوعی و سری‌زمانی

تبخیر از تشت به‌عنوان یک پارامتر کاربردی در زمینه‌های مختلف، مانند برآورد هدر رفت آب از دریاچه‌ها و مخازن سدها و همچنین برآورد نیاز آبی گیاهان به‌ویژه در مناطقی که اطلاعات لایسیمتری وجود ندارد، کاربرد دارد. مدل‌سازی این پارامتر می‌تواند در زمینه بازسازی داده‌های گم‌شده و برنامه‌ریزی‌های درازمدت منابع آب و توسعه کشاورزی کارساز باشد. در این پژوهش با به کارگیری یک مدل هوش‌مصنوعی (برنامه‌ریزی بیان‌ژن) و دو مدل سری‌زمانی (فوریه و آریما)، تبخیر از تشت در ایستگاه سد زاینده‌رود در دوره زمانی 1344 تا 1396 (53 سال) مدل‌سازی شد. سری‌زمانی داده‌های تبخیر از تشت در مقیاس روزانه برای ماه‌های گرم سال (خرداد، تیر، مرداد، شهریور و مهر)، به عنوان ورودی مدل‌های فوریه و آریما و 4 الگوی مختلف شامل استفاده از داده‌های روزانه تبخیر 1 ماه قبل، 2 ماه قبل، 3 ماه قبل و 4 ماه قبل، به‌عنوان ورودی مدل برنامه‌ریزی بیان‌ژن استفاده شد. نتایج نشان داد که مدل برنامه‌ریزی بیان‌ژن تنها در ماه مهر نتایج قابل قبولی دارد و برای ماه‌های دیگر نتایج از نظر شاخص‌های آماری قابل قبول نمی‌باشد. میزان خطای برآود تبخیر روزانه در ماه مهر 38/0 میلی‌متر بر روز (معادل 7/2 درصد) بدست آمد. این میزان خطا بر اساس ضریب تبیین 84/0 و ضریب نش- ساتکلیف (ضریب کارایی مدل) 83/0، قابل‌قبول ارزیابی شد. بر خلاف مدل ‌برنامه‌نویسی‌ بیان‌ژن، مدل فوریه در تمام ماه‌های مورد مطالعه نتایج قابل‌قبول ارائه داد. مقادیر خطای برآورد تبخیر روزانه در این روش بین 02/1 تا 7/0 میلی‌متر بر روز به‌دست آمد که معادل 2/5 تا 8/8 درصد است. مقایسه نتایج دو مدل فوق با نتایج مدل آریما نیز نشان داد مقادیر خطای مدل آریما در تمام ماه‌ها بیشتر (4/9 تا 6/19 درصد) از مدل‌های فوریه و برنامه‌ریزی بیان‌ژن است. بنابراین بهترین مدل برای برآورد تبخیر روزانه از تشت، در ماه مهر مدل‌برنامه‌ریزی بیان‌ژن و در بقیه ماه‌ها مدل فوریه می‌باشد. ارزیابی دقت و توانایی برآورد داده‌های حدی تبخیر روزانه نیز نشان داد، مدل فوریه در تخمین داده‌های حدی، دارای توانایی بالاتری نسبت به دو مدل دیگر است. بنابراین می‌توان این مدل را جهت برآورد تبخیر روزانه در ایستگاه سد زاینده‌رود و همچنین بازسازی داده‌های گم‌شده توصیه نمود.

modelling daily pan evaporation of zayanderud dam station utilizing artificial intelligence and time series models

the pan evaporation is used as a practical parameter in various fields, such as estimating water loss from lakes and dams, as well as estimating the plant water requirement, especially in areas where there is no lysimeter information. modeling this parameter can be useful in the estimation of missing data and long-term planning of water resources and agricultural development. in this research, by using an artificial intelligence model (gene expression programming, gep) and two time series models (fourier and arima), evaporation from the pan at zayanderud dam station, was modeled in the period from 1344 to 1396 (53 years). the time series of pan evaporation on daily scale for the months of june (khordad), july (tir), august (mordad), september (shahrivar), and october (mehr) as input to the fourier and arima models and 4 different patterns including the use of daily evaporation data 1 month, 2 months, 3 months and 4 months ago, were used as input for gene expression programming model. the results showed that the gep model has acceptable results only in mehr, and for other months the results are not acceptable in terms of statistical indicators. the daily evaporation estimated error was found to be 0.38 mm in mehr. this error was acceptable based on the coefficient of determination of 0.84, the nash-sutcliffe coefficient of 0.83 and the willmott’s index of  agreement of 0.95. unlike the gene expression programming model, the fourier model provided acceptable results in all the studied months. the error values were obtained between 1.02 and 0.7 mm per day in all the studied months, which is equivalent to 5.2 to 8.8 percent. comparing the results of the above two models with the arima model showed that, the error values of the arima model in all months are higher (9.4 to 19.6%) than the fourier model, and gene expression programming model. therefore, the best model for estimating pan evaporation in october (mehr) is the gene expression programming model and in the rest of the months, the fourier model. the evaluation of the model in estimating the extremes daily evaporation data also showed that the highest and lowest accuracy is in october (mehr) and june (khordad), respectively. in total, according to the statistical indices, the ability of the fourier model to estimate the daily evaporation in the zayanderud dam station was proved. therefore, this model can be recommended to estimate the daily evaporation and also to reconstruct the missing data in this station