پژوهش‌های تغییرات آب و هوایی

پژوهش‌های تغییرات آب و هوایی

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

نوع مقاله : مقاله پژوهشی

نویسندگان
احمدرضا قاسمی دستگردی 1
مرضیه اسمعیل پور 2
1 دانشیار گروه مهندسی آب دانشگاه شهرکرد، شهرکرد، ایران،
2 استادیار، گروه جغرافیا و برنامه ریزی شهری، دانشگاه مراغه، مراغه، ایران،
10.30488/ccr.2024.433405.1193
چکیده
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.
کلیدواژه‌ها
تبخیر
داده‌های حدی
داده‌های گمشده
شبیه‌سازی
موضوعات

عنوان مقاله English

Modelling daily pan evaporation of Zayanderud dam station utilizing artificial intelligence and time series models

نویسندگان English

Ahmad reza Ghasemi 1
Marziyeh Esmaeilpour 2
1 Associate Professor, Department of Water Engineering, Shahrekord University, Shahrekord, Iran,
2 Assistant Professor, Department of Geography and Urban Planning, Maragheh University, Maragheh, Iran,
چکیده English

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

کلیدواژه‌ها English

Evaporation
Missing data
Simulation
Extreme data
  1. احمدپور، عباس، فتاحیان، حسین، و مقسمی، مهدی (۱۳۹۷). برآورد تبخیر ماهانه با مدل­های سری زمانی SARIMA و BiLinear در ایستگاه ایدنک. فصلنامه اکوبیولوژی تالاب، ۳۷(3)، ۴۹ -۶۲.
  2. امجدی، حسین، ماشاءالله، علی، و سلطانی، محمد (1398). ارزیابی قابلیت مدل برنامه‌ریزی بیان‌ژن در شبیه‌سازی تابش خورشیدی رسیده به زمین. مطالعة موردی اهواز، انرژی‌های تجدیدپذیر و نو. 2(6)، 93-85.
  3. آزاد، نسرین، بهمنش، جواد، منتصری، مجید، و رضاوردی‌نژاد، وحید (1394). مقایسه روشهای سری زمانی و شبکه عصبی مصنوعی در پیش‌بینی تبخیر-تعرق مرجع، مطالعه موردی: ارومیه. علوم و مهندسی آبیاری، 38(4): 85-75.
  4. باقری، نیلوفر، قاسمی، احمدرضا، و نصر، محمدعلی (١٤٠٢). مدل‌سازی تبخیر روزانه از تشت، با استفاده از برنامه‌نویسی بیان‌ژن و سری‌های زمانی در استان خوزستان. پژوهش آب ایران. 49(1)، ١١-١.
  5. بذرافشان، ام البنین، چشم‌براه، عظیمه و حلی‌ساز، ارشک. 1396. ارزیابی کارایی مدل‌های سری زمانی در پیش‌بینی تبخیر از تشت در نمونه‌های اقلیمی استان هرمزگان. مهندسی و مدیریت آبخیز، 9(3)، 261-250.
  6. تیموری، مریم، و تیموری، لیلا (1401). بررسی کاربرد مدلهای سری زمانی در پیش بینی جریان ماهانه ایستگاه هیدرومتری ارازکوسه. مطالعات علوم محیط زیست، 7(2): 4799-4807.
  7. حقیقت‌جو، پرویز، محمدزاده، زهرا، و محمدرضاپور، ام‌البنین (۱۳۹۶). مقایسه روش­های سیستم استنتاج عصبی - فازی و برنامه­ریزی بیان­ژن دربرآورد تبخیر از تشتک. مجله حفاظت منابع آب و خاک، 6(4)، 117-107.
  8. سبزواری، یاسر، و مهری، سعیدی‌نیا (1400). ارزیابی مدل‌های تجربی و هوش مصنوعی در برآورد تبخیر- تعرق مرجع- مطالعه موردی: ایستگاه بروجرد. نشریه علوم آب و خاک، 5(2): 253- 237.
  9. سلطانی، سمیه، صابری، عارف، و قیصوری، مرتضی. (1396). تعیین بهترین مدل سری زمانی در پیش‌بینی بارندگی سالیانه ایستگاه‌های منتخب استان آذربایجان غربی. تحقیقات کاربردی علوم جغرافیایی. 17(44): 105-87.1001.1.22287736.1396.17.44.5.1
  • سیاسر، هادی،امیر، سالاری،ام البنین، محمدرضاپور، و حلیمه، پیری (1400). برآورد روزانۀ تبخیر و تعرق مرجع در دشت سیستان با استفاده از الگوریتم‌های. اکوسیستم بیابان، 10(32): 96-85.
  • صادقی‌اقدم، فریبا، ندیری، عطا‌اله، اصغری، اصغر، و آرمانفر، فریدون (1396). کاربرد برنامه‌ریزی بیان ژن برای ایجاد مدل ترکیبی فازی به منظور پیش‌بینی غلظت آرسنیک منابع آبی در حوضه آبریز سد سهند. پژوهش آب ایران. ۲۷:۸۵-۹۶.
  • طاووسی، تقی، و زهرایی، اکبر (1394). مدل‌سازی و پیش‌بینی تغییرات بیشینة دمای شیراز برای دورة اقلیمی منتهی به سال ١٤٠٠ خورشیدی، مجلة نیوار، 39(88)، 52-43.
  • عمادی، علی، زمان­زاد، سروین، زارعی، سهیلا، رشید، علی (۱۴۰۱). مدل­سازی تبخیر ماهانه با استفاده از روش­های منفرد و هیبریدی- موجک داده کاوی در حوضه­های آبریز ایران با تنوع اقلیمی، نشریه آبیاری و آب ایران، 373-354، 48(4).
  • فرزادمهر، مهنوش، دستورانی، مهدی، خاشعی، عباس، و جلالی، وحیدرضا (1399). برآورد هدایت هیدرولیکی اشباع خاک به روش برنامه ‌ریزی بیان ژن و مقایسه آن با توابع انتقال. مدیریت حوزه آبخیز. 11(22): ۱۵۵-۱۶۴.
  • فولادمند، حمیدرضا (۱۳۸۹). پیش­بینی ماهانه تبخیر و تعرق پتانسیل گیاه مرجع در استان فارس. مجله دانش آب و خاک، 20(4)، 169-157.
  • فیض اله پور، فرید، دلاور، مجی، و حسامی، مهدی (1396). ارزیابی و تحلیل عدم قطعیت برآورد تبخیر تعرق گیاه مرجع با استفاده از برنامه ریزی ژنتیک. نشریة دانش آب و خاک، 4(27)، ١٤٧-
  • قهرمان، نوذر، و قره‌خانی، ابوذر (۱۳۹۰). ارزیابی مدل‌های تصادفی سری زمانی در برآورد تبخیر از تشتک (مطالعه موردی: ایستگاه شیراز). نشریه پژوهش آب در کشاورزی، ۲۵(۱)، ۷۵-۸۱.
  • محمدزاده، زهرا (1394). مقایسه روش‌های نروفازی و برنامه‌ریزی بیان‌ژن برای برآورد تبخیر از تشتک در خراسان جنوبی. پایان نامه کارشناسی ارشد، دانشگاه زابل.
  • مرتضوی، مرتضی، توکلی، افشین، محمدی، محمد، و افصحی، کامران (1394). تاثیر کاربرد پلیمر سوپرجاذب بر صفات فیزیولوژیک و عملکرد گندم رقم آذر2 در شرایط دیم. نشریه زراعت، 26(106)، 125-118.
  • نجفوند، مهدی، و اسلامی، حسین (1395). مقایسه روش‌های تجربی برآورد تبخیر از سطح آزاد آب. مطالعه موردی: سد تنظیمی دز. مجله مهندسی آب، 4(2)، 72-65.
  • نوذری، حامد، آزادی، سعید، صدق‌نژاد، ناهید، و پویان‌فر، سجاد (1402). پیش‌بینی تبخیر ماهانه به کمک مدل‌های خطی و غیرخطی سری زمانی- مطالعه موردی: ایستگاه تبخیرسنجی سد اکباتان. نشریه هواشناسی کشاورزی، 11(1)، 47-36.
  • Alarcon, A., Cortes, D., Alvarez, J. Gonzalez, Y. (2022). Improving Monthly Rainfall Forecast in a Watershed by Combining Neural Networks and Autoregressive Model. Environmental Processes, 9(53): 1-26.
  • Gandomi, A., Alavi, A. Mirzahosseini M. & Moqhadas F. (2011). Nonlinear genetic-based models for prediction of flow number of asphalt mixtures. Journal of Materials in Civil Engineering, 23(4), 248-263.
  • Gaur, S., Singh, R., Bandyopadhyay, A., & Singh, R. (2023). Diagnosis of GCM-RCM-driven rainfall patterns under changing climate through the robust selection of multi-model ensemble and sub-ensembles. Climatic Change,176(2): 1-30.
  • Goel, A. (2009). Application of SVMs Algorithms for Prediction of Evaporation in Reservoirs. World Environmental and Water Resources Congress, Missouri, United States.
  • Hael, M.A., Yongsheng, Y. & Saleh, B.I. (2020). Visualization of rainfall data using functional data analysis. Applied Science, 2(461). https://doi.org/ 10.1007/s42452-020-2238-x
  • Khanal, N., Matin, M., Uddin, K., Poortinga, A., Chishtie, F., Tenneson, K., & Saah, D. (2020). Comparison of Three Temporal Smoothing Algorithms to Improve Land Cover Classification: A Case Study from NEPAL. Remote Sensing, 12, 2888.
  1. Kim, S., Shiri, J., Singh, V., Kisi, O., & Landeras, G. (2015). Predicting daily pan evaporation by soft computing models with limited climatic data. Hydrological Sciences Journal, 60(6): 1120-1136.
  • Koza, J.R. (1993). Hierarchical Automatic Function Definition in Genetic Programming. Foundations of Genetic Algorithms, 2, 297-318.
  • Laguardia, G. (2011). Representing the precipitation regime by means of Fourier series. International Journal of Climatology, 31: 1398–1407.
  • Li, L., Zhou, X., Li, Y., Gong, C., Lu, L., Fu, X., & Tao, W. (2017). Water absorption and water/fertilizer retention performance of vermiculite modified sulphoaluminate cementitious materials. Construction and Building Materials, 137, 224-234.
  • Mazelan, N.A., & Suhaila J. (2023). Exploring rainfall variabilities using statistical functional data analysis. Earth and Environmental Science. 1167: 1-10. doi:10.1088/1755-1315/1167/1/012007.
  • Miranda, A., Herrera, M., & Castano, V. (2019). Meteorological Temperature and Humidity Prediction from Fourier-Statistical Analysis of Hourly Data. Advances in Meteorology, 34(2), 2-13. https://doi.org/10.1155/2019/4164097
  • Moriasi, D., Arnold, J., VanLiew, M.W., Bingner, R.L., Harmel, R.D., & Veith, T. (2007). Model evaluation guidelines for systematic quantification of accuracy in watershed simulations. American Society of Agricultural and Biological Engineers, 50(3), 885-905.
  • Salas, J.D., (1993). Analysis and Modeling of Hydrologic Time Series. Pp. 1-72, In: Maidment D.R, Handbook of Hydrology, McGraw- Hill.
  • Shoaib, M., Shamseldin, A.S., Melville, B., & Muneer, M. (2015). Runoff forecasting using hybrid Wavelet Gene Expression Programming (WGEP) approach. Journal of Hydrology, 527: 326- 344.
  • Soylu, M., Lenters, John, D., Istanbulluoglu, E., & Loheide, S. (2012). On evapotranspiration and shallow groundwater fluctuations: A Fourier-based improvement to the White method. Papers in Natural Resources. 613. https://digitalcommons. unl.edu/natrespapers/613
  • Sudheer, K.P. (2000). Modeling hydrological processes using neural computing technique. PhD Thesis, Indian Institute of Technology, Delhi. India.
  • Tularam, G., & Ilahee, M. (2010). Time Series Analysis of Rainfall and Temperature Interactions in Coastal Catchments. Journal of Mathematics and Statistics. 6 (3): 372-380.
  • Ustoorikar, K., & Deo, M.C. (2008). Filling up gaps in wave data with genetic programming. Marine Structures, 21(2): 177-195.
  • Wu, X., Zhou, J., Yu, H., Li, D., Xie, K., Chen, Y., Hu, J., Sun, H., & Xing, F. (2021). The development of a hybrid wavelet-ARIMA-LSTM model for precipitation amounts and drought analysis. Atmosphere.  12: https://doi.org /10.3390/atmos12010074.
  • Yassin, M., Alazba, A., & Mattar, M. (2016). Artificial neural networks versus gene expression programming for estimating reference evapotranspiration in arid climate. Agricultural Water Management. 163: 110-124.