مقایسه روشهای سیستم استنتاج عصبی_فازی و برنامه‌ریزی بیان‌ژن در‌برآورد تبخیر از تشتک (مطالعه موردی: استان خراسان جنوبی)

الموضوعات :

پرویز حقیقت جو ¹ (عضو هیئت علمی دانشگاه زابل)
زهرا محمدزاده شاهرودی ² (دانش آموخته کارشناسی ارشد)
ام البنی محمد رضا پور ³ (عضوهیئت علمی دانشگاه زابل)

تاريخ الإرسال : 08 الأربعاء , ربيع الأول, 1438 تاريخ التأكيد : 21 الثلاثاء , رجب, 1438 تاريخ الإصدار : 26 الإثنين , شعبان, 1438

الکلمات المفتاحية: برنامه‌ریزی بیان‌ژن, تبخیر تشتک, عصبی- فازی, خراسان جنوبی,

ملخص المقالة :

امروزه تخمین صحیح تبخیر به عنوان یکی از عناصر مهم چرخه هیدرولوژی، نقش مهمی را در توسعه و مدیریت منابع آب کشورهای مواجه با بحران آب ایفا می کند. تاکنون روش ها و فرمول های تجربی فراوانی در زمینه برآورد فرایند غیرخطی و پیچیده تبخیر از تشتک ارائه شده که از دقت بالایی برخوردار نبوده و همچنین دسترسی به تمام پارامترهای ورودی مشکل و یا اندازه گیری آنها محتاج صرف هزینه و زمان زیادی می باشد. هدف از این تحقیق ارزیابی کارایی دو مدل برنامه ریزی بیان ژن و عصبی- فازی جهت تخمین تبخیر از تشتک در استان خراسان جنوبی می باشد. برای این منظور از داده های هواشناسی روزانه شش ایستگاه سینوپتیک به مدت بیست سال(2010-1990)، استفاده شد. پارامترهای ورودی به مدل عبارتند از: میانگین دمای هوا، رطوبت نسبی، حداکثر وحداقل دمای هوا، سرعت باد و ساعات آفتابی. برای ارزیابی مدلها و مقایسه آن ها از معیارهای ضریب تبیین ، جذر میانگین مربع خطاها و میانگین خطاها استفاده گردید. مقایسه نتایج آزمون دو مدل نشان داد که مدل برنامه ریزی بیان ژن کارایی بهتری نسبت به مدل عصبی- فازی در برآورد روزانه تبخیر از تشتک دارد. بطوری که بهترین نتایج مدل برنامه ریزی بیان ژن در ایستگاه بشرویه با ضریب تبیین 79/0، 44/1=RMSE و 35/0MBE= ضعیف ترین نتایج در ایستگاه بیرجند با ضریب تبیین7/0، 6/2=RMSE و 2/1MBE= بدست آمد. همچنین نتایج نشان داد میانگین دمای روزانه بیشترین تاثیر را در برآورد تبخیراز تشتک دارد.

المصادر:

پیری، ج.، انصاری، ح. و فرید حسینی، ع. 1392. مدلسازی تابش خورشید رسیده به زمین با استفاده ازANFIS و مدل­های تجربی مطالعه موردی: ایستگاه­های زاهدان و بجنورد، نشریه انرژی ایران. 37-58 : ۱۶ (۳).

امینی رکان، ا. 1392. مدل­سازی درجه حرارت هوا با استفاده از هوش­مصنوعی در نمونه­های اقلیمی ایران، پایاننامهدوره­ی کارشناسیارشدمنابع آب. دانشکده آب وخاک. دانشگاه زابل. 142 صفحه.

شادمانی، م. و معروفی، ص. 1390. مقایسه چند روش برآورد تبخیر روزانه از تشتک- مطالعه موردی منطقه کرمان. مجله علوم و فنون کشاورزی و منابع طبیعی، علوم آب و خاک 83-69: (55)15.

شایان نژاد، م. 1385. مقایسه روش­های شبکه­های عصبی مصنوعی و پنمن – مانتیث در محاسبه تبخیر و تعرق پتانسیل، همایش ملی مدیریت شبکه­های آبیاری و زهکشی، دانشگاه شهید چمران اهواز.531-537.

شعیبی نوبریان، م. و دربندی، ص. 1392. پیش­بینی میزان تبخیر- تعرق پتانسیل معادله فائو- پنمن- مونتیث با استفاده از برنامه­ریزی ژنتیک، دومین کنفرانس بین المللی مدل­سازی گیاه، آب، خاک و هوا، کرمان، دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته.12ص.

علیرضا، م. 1387. مقدمه­ای برالگوریتم­های ژنتیک و کاربرد­های آن. 1. انتشارات زانیس، تهران. 144 صفحه.

کولائیان، ع. غلامی سفید کوهی م. و ضیاتباراحمدی، م. 1392. ارزیابی روشهای نوین محاسباتی در برآورد تبخیر و تعرق روزانه مطالعه موردی دشت ناز- ساری)، دوازدهمین همایش ملی آبیاری کاهش تبخیر، دانشگاه شهید باهنرکرمان.بهمن ماه.

مساعدی ، ا. و قبائی سوق، م. 1390. برآورد تبخیر روزانه از تشت تبخیر با استفاده از سیستم استنتاج تطبیقی عصبی- فازی، مجله پژوهش آب ایران، (8)5: 170-161.

میرمرادزهی، ج. 1391. برآورد تبخیر روزانه از تشت با استفاده از روشهای هوش مصنوعی در جنوب استان سیستان و بلوچستان، پایان نامه دوره­ی کارشناسی ارشد منابع آب، دانشکده آب وخاک دانشگاه زابل. 124 صفحه.

نجفی، م. عظیمی، و. و شایان نژاد، م. 1393. ارزیابی دقت روش­های هوشمند وآنالیز حساسیت تبخیر – تعرق گیاه مرجع به پارامترهای هواشناسی در دو اقلیم مختلف، اکوهیدرولوژی، (1)1: 24-17.

نورانی، و. و سیاح فرد، م.1390. آنالیز حساسیت داده­های ورودی به شبکه عصبی مصنوعی به منظور برآورد مقدار تبخیر روزانه. آب و فاضلاب3:.24-87.

Dogan, E. Gumrukcuoglu, M. Sandalci, M. And Opan, M .2010. Modelling of evaporation from the reservoir of yuvacik dam using adaptive neuro-fuzzy inference systems. Engineering Applications of Artificial Intelligence. 23: 961- 967.

 Guven, A. And Kisi, O. 2011. Daily pan evaporation modeling using linear genetic programming technique. Irrigation Science. 29(2):135-145.

Hatice, C. Murat, C. And Tefaruk, H. 2014. Estimation of Monthly Mean Reference Evapotranspiration in Turkey. Water Resources Management. 28: 99-113.

Kisi, O. And Zounemat-Kermani, M. 2014. Comparison of Two Different Adaptive Neuro-Fuzzy Inference Systems in Modelling Daily Reference Evapotranspiration. Water Resources Management. 28: 2655-2675.

Piri, J. And Ansari, H. 2012. Daily Pan Evaporation Modelling With ANFIS and NNARX. Iran Agricultural Research. 31(2): 51-64.

Seydou, T. And Aytac, G. 2012. Regional-Specific Numerical Models of Evapotranspiration Using Gene-Expression Programming Interface in Sahel. Water Resources Management 2012. 26: 4367-4380.

Shiri, J. And Kisi, O. 2012. Application of Artificial Intelligence to Estimate Daily Pan Evaporation Using Available and Estimated Climatic Data in the Khozestan Province (South WesternIran(. Journal of Irrigation and Drainage Engineering. 137(7): 412-425.

 Terzi, O .2013. Daily pan evaporation estimation using gene expression programming and adaptive neural based fuzzy inference system. Journal Computing & Applications. 23(3): 1035-1044.

Traore, S. Wang, Y M. and. Kerh, T. 2010. Artificial neural network for modeling reference evapotranspiration complex process in Sudano-Sahelian zone, Agricultural Water Management. 97:707–714.