تخمین تبخیر و تعرق مرجع روزانه به کمک مدل شبکه عصبی مصنوعی و مدل ترکیبی شبکه عصبی- موجک

برآورد تبخیر و تعرق به‌منظور کاربرد در برنامه‌ریزی، طراحی و مدیریت طرح‌های آبیاری و زهکشی و مدیریت منابع آب ضروری است. در این تحقیق به ارزیابی مدل‌های شبکه عصبی مصنوع، مدل شبکه عصبی موجک، رگرسیون چند متغیره و روش تجربی هارگریوز در برآورد تبخیر و تعرق مرجع به‌منظور تعیین بهترین مدل از نظر میزان کارایی با توجه به داده‌های موجود پرداخته شد. از داده‌های روزانه دو ایستگاه هواشناسی فرودگاه شهرکرد و فرخ‌شهر در منطقه خشک و سرد شهرکرد در بازه زمانی 2013-2004 شامل دمای حداقل و حداکثر، رطوبت نسیبی میانگین، سرعت باد در ارتفاع دو متری و ساعات آفتابی استفاده شد. 75 درصد داده‌ها برای آموزش و اعتبارسنجی و 25 درصد داده‌ها برای تست مدل‌ها استفاده شد. شبکه طراحی شده یک شبکه عصبی پیش‌خور با تابع فعال تانژانت سیگموئید در لایه پنهان است. در مرحله بعدی موجک‌های مختلف haar، db و sym روی داده‌ها اعمال شد و شبکه عصبی موجک طراحی شد. برای ارزیابی مدل‌ها روش پتمن مونتیث فائو مبنای کار قرار گرفت. برای هر چهار روش استفاده شده شاخص‌های آماری rmse، mae و r محاسبه و رتبه‌دهی شدند. نتایج نشان داد که از میان مدل‌های طراحی شده، شبکه عصبی موجک با موجک 5 db عملکرد بهتری نسبت به موجک‌های دیگر و همچنین نسبت به شبکه عصبی مصنوعی، روش آماری رگرسیون چند متغیره و روش هارگریوز داشته است. نتایج مدل شبکه عصبی موجک با موجک 5 db در ایستگاه فرخ‌شهر به‌ترتیب برابر 0/2668، 0/2067 و 0/998 و در ایستگاه فرودگاه به‌ترتیب برابر 0/2138، 0/14 و 0/9989 محاسبه شد. نتایج نشان داد که شبکه عصبی موجک عملکرد دقیق‌تری نسبت به سایر مدل‌های مورد بررسی در این تحقیق داشت.

Estimation of Reference Evapotranspiration Using Artificial Neural Network Models and the Hybrid Wavelet Neural Network

Estimation of evapotranspiration is essential for planning, designing and managing irrigation and drainage schemes, as well as water resources management. In this research, artificial neural networks, neural network wavelet model, multivariate regression and Hargreaveschr('39') empirical method were used to estimate reference evapotranspiration in order to determine the best model in terms of efficiency with respect to the existing data. The daily data of two meteorological stations of Shahrekord and Farrokhshahr airport in the dry and cold zones of Shahrekord during the period 20132004 was used; these included the minimum and maximum temperature, the average nominal humidity, wind speed at 2 meters height and sunshine hours. %75 of the data were validated, and %25 of the data was used for testing the models. Designed network is a predictive neural network with an active sigmoid tangent function hidden in the layer. In the next step, different wavelets including Haar, db and Sym were applied on the data and the neural networkwavelet was designed. To evaluate the models, the method was used by the PenmanMontith Fao and for all four methods, RMSE, MAE and R statistical indices were calculated and ranked. The results showed that the wavelet neural network with the db5 wavelet had a better performance than other wavelets, as well as the artificial neural network, multivariate regression and the Hargreaves method. The results of wavelet network modelling with the db5 wavelet in the Farrokhshahr station were calculated to be 0.2668, 0.2067 and 0.998, respectively; at the airport station, these were equal to 0.2138, 0.14 and 0.9989, respectively. The results, therefore, showed that the neural networkwavelet performance was more accurate than the other models studied in this study.