خانه :: اساتید :: اخبار

بازدید:24617   بروزرسانی: 26-06-1402

Masoud Karbasi

Masoud Karbasi
Forecasting of Daily Reference Evapotranspiration at Ahvaz synoptic station using wavelet-GMDH hybrid model
پیش‌بینی تبخیر-تعرق مرجع ایستگاه سینوپتیک اهواز با استفاده از مدل ترکیبی موجک – شبکه عصبی GMDH
چکيده


سابقه و هدف: تخمين دقيق مقدار تبخير-تعرق مرجع براي انجام بسياري از تحقيقات ضروري و از مهم‌ترين مسائل در طرح‌هاي آبياري و زهكشي و منابع آب به شمار مي‌رود. یکی از این مسائل که می‌تواند در راستای اهداف ذکرشده اعمال شود، پیش‌بینی تبخیر-تعرق مرجع برای آینده است تا بتوان با برنامه‌ریزی‌های مناسب، امکان استفاده بهتر از منابع موجود را فراهم نمود (7). در سال‌های اخیر استفاده از روش‌های هوش مصنوعی و مدل هیبریدی بر پایه موجک در پیش‌بینی پارامترهای هیدرولوژیکی بسیار متداول گشته است (12). هدف تحقیق حاضر استفاده از دو مدل GMDH و موجک-GMDH در پیش‌بینی تبخیر-تعرق مرجع روزانه در ایستگاه سینوپتیک اهواز است. مواد و روش‌ها:. 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 تبخیر-تعرق مرجع روزانه در دوره مورد نظر از معادله استاندارد پنمن-مانتیث فائو 56 استفاده گردید. 9 ترکیب ‌مختلف از داده‌های ورودی (تأخیرهای مختلف) و انواع موجک‌های مادر (13 موجک مادر) مورد ارزیابی قرار گرفت. در مجموع 126 مدل که 117 عدد از آن‌ها مربوط به مدل هیبریدی موجک-GMDH و 9 مدل شبکه عصبی GMDH بود، اجرا گردید. برای انتخاب بهترین مدل از معیارهای آماری نظیر ضریب تبیین (R2)، ریشه میانگین مربعات خطا (RMSE) و درصد متوسط خطا (MARE) استفاده شد. یافته‌ها: نتایج نشان داد که مدل هیبریدی موجک-GMDH (با RMSE 31/0 میلی‌متر بر روز) در مقایسه با مدل شبکه عصبی GMDH (با RMSE 22/1 میلی‌متر بر روز) دارای توانایی و دقت بالاتری در پیش‌بینی تبخیر-تعرق مرجع روزانه است. همچنین نتایج نشان داد که استفاده از تأخیرهای زمانی بیشتر از چهار روز تأثیر چندانی بر دقت مدل‌ها ندارد و در برخی موارد می‌تواند موجب کاهش دقت نیز گردد. نتایج تحقیق حاضر با تحقیقات مشابه که از تبدیل موجک برای پیش پردازش داده ها استفاده نموده اند، مطابقت دارد (1، 4، 5 و 12). بررسی انواع موجک‌های مادر نیز نشان داد که استفاده از موجک میر به علت پیچیدگی بیشتر باعث افزایش دقت مدل‌ها می‌گردد. یافته فوق با نتایج رجایی و ابراهیمی(2014)، شعیب و همکاران(2015) و طوفانی و همکاران (2012) مطابقت دارد(13، 15 و 17). نتیجه‌گیری: نتایج این تحقیق نشان داد که مدل موجک- GMDH (درصد متوسط خطای مطلق 53/5) در پیش‌بینی تبخبر-تعرق مرجع برای یک روز بعد برتری چشم‌گیری بر مدل  GMDH ( درصد متوسط خطای 11/22) دارد. از نتایج تحقیق حاضر می‌توان در برنامه‌ریزی آبیاری منطقه موردمطالعه استفاده نمود. در پایان پیشنهاد می‌گردد، مدل‌های پیشنهادی در اقلیم‌های مختلف ایران نیز مورد بررسی و ارزیابی قرار بگیرند.