پژوهش های کاربردی مهندسی آب

پژوهش های کاربردی مهندسی آب

توانایی مدل برنامه‌ریزی بیان ژن در برآورد میزان تبخیر و تعرق مرجع با حداقل داده‌های هواشناسی

نوع مقاله : مقاله پژوهشی

نویسندگان
محمد کرمی 1
فرزین صیاد بیرانوند 2
1 گروه مهندسی عمران، دانشکده عمران، دانشگاه صنعتی اصفهان، اصفهان، ایران
2 گروه مهندسی آب، دانشکده کشاورزی، دانشگاه صنعتی اصفهان
10.22034/arwe.2024.2043340.1029
چکیده
هوش مصنوعی به عنوان یکی از ابزار معتبر در مدلسازی فرایندهای پیچیده غیرخطی، شناخته شده است. در این تحقیق، به منظور بررسی توانایی مدل برنامه ریزی بیان ژن (Gene Expression Programming (GEP)) در برآورد میزان تبخیر و تعرق با استفاده از داده های هواشناسی، از دوره آماری 30 سال هواشناسی ایستگاه هواشناسی اهواز، استفاده گردید. روش مرجع برای محاسبه تبخیر و تعرق، روش پنمن مانتیث در نظر گرفته شد. در این تحقیق چهار سناریو با ترکیب های مختلف پارامترهای ورودی مدل مورد بررسی قرار گرفت. در نهایت نتایج نشان داد، بهترین ترکیب پارامترهای ورودی برای مدل برنامه ریزی بیان ژن ، شامل پارامترهای دمای حداقل، دمای حداکثر، رطوبت نسبی و ساعات آفتابی بود . به ازای این پارامترهای ورودی،  مقادیر R2، MAE و RMSE  در مرحله آموزش  به ترتیب برابر 964/0، 421/0 میلی متر بر روز و 507/0 میلی متر بر روز و در مرحله آزمون (تست)  به ترتیب برابر 965/0، 419/0 و 506/0 به دست آمد.   بارش تنها پارامتری بود که کمترین اثر را بر میزان تبخیر و تعرق نشان داد، به گونه ای که افزایش این پارامتر به پارامترهای ورودی مدل، باعث تغییر ناچیز (کمتر از یک درصد) در مقادیر شاخص های ارزیابی گردید. به نظر می رسد علت این امر به میزان بارندگی کم این منطقه باشد، به گونه ای که در اکثر ماهها، میزان بارنگی بسیار ناچیز است. در نهایت نتایج این تحقیق نشان داد مدل برنامه ریزی بیان ژن می تواند به عنوان یک ابزار مناسب با دقت خوب برای برآورد میزان تبخیر و تعرق مرجع قرار بگیرد.
کلیدواژه‌ها
پنمن مانتیث
تبخیر و تعرق
مدل برنامه ریزی بیان ژن
هوش مصنوعی

موضوعات

عنوان مقاله English

Ability of Gene Expression Programming Model to Estimate Reference Evapotranspiration with Minimal Meteorological Data

نویسندگان English

Mohamad Karami 1
Farzin Sayad beyranvand 2
1 Department of Civil Engineering, Faculty of Civil Engineering, Isfahan University of Technology, Isfahan, Iran
2 Department of Water Engineering, Faculty of Agriculture, Isfahan University of Technology
چکیده English

amount of reference evapotranspiration using meteorological data, the period of 30-year of Ahvaz meteorological station was used. The reference method for calculating evapotranspiration was the Penman-Monteith method. In this research, four scenarios with different combinations of model input parameters were examined. Finally, the results showed that the best combination of input parameters for the gene expression programming model included parameters of minimum temperature, maximum temperature, relative humidity and sunshine hours. For these input parameters, R2, MAE, and RMSE statistics in the training phase are 0.964, 0.421 mm/d, and 0.507 mm/d, respectively, and in the test phase, they are 0.965, 0.419 mm/d, and 0.506 mm/d, respectively. was obtained Rainfall was the only parameter that showed the least effect on the rate of evaporation and transpiration, so that the increase of this parameter to the input parameters of the model caused a slight change (less than one percent) in the values of the evaluation indices. It seems that the reason for this is the low amount of rainfall in this area, so that in most months, the amount of rainfall is very small. Finally, the results of this research showed that the gene expression programming model can be used as a suitable tool with good accuracy for estimating reference evaporation and transpiration.

کلیدواژه‌ها English

Artificial intelligence
Evaporation and transpiration
GEP model
Penman Mantis
Houborg, R., & McCabe, M. F. (2018). A hybrid training approach for leaf area index estimation via Cubist and random forests machine-learning. ISPRS Journal of Photogrammetry and Remote Sensing, 135, 173-188.
Feizolahpour, F., Delavar, M., & Hesami Afshar, M. (2017). Evaluation and Uncertainty Analysis of Reference Crop Evapotranspiration Estimation Using Genetic Programming. Water and Soil Science, 27(4), 135-147.
Izadyar, M., hashemi, S., & Samadianfard, S. (2023). Estimating reference evapotranspiration in three arid, semi-arid and humid climates using gradient boosted tree, generalized linear model and random forest. Water and Soil Science, 33(3), 1-19. doi: 10.22034/ws.2021.49033.2450
Karimi, S., Shiri, J., & Nazemi, A. H. (2013). Estimating daily reference crop evapotranspiration using artificial intelligences-based ANFIS and ANN techniques and empirical models. Water and Soil Science, 23(2), 139-158.
Landeras, G., Ortiz-Barredo, A., & López, J. J. (2008). Comparison of artificial neural network models and empirical and semi-empirical equations for daily reference evapotranspiration estimation in the Basque Country (Northern Spain). Agricultural water management, 95(5), 553-565.
Mattar, M.A. 2018. Using gene expression programming in monthly reference evapotranspiration modeling: a case study in Egypt. Agricultural water management, 198, 28-38.
Monavar Sabegh, S., ZAREHAGHI, D., Samadianfard, S., Neishabouri, M. R., & Mikaeili, F. (2023). Estimation of Daily Reference Evapotranspiration Using Random Forest Optimized by Genetic Algorithm. Water and Soil Science, 33(4), 33-53. doi: 10.22034/ws.2021.48756.2449.
Sabzevari, Y., & Saeidinia, M. (2021). Evaluation of experimental models and artificial intelligence in estimation of reference evapotranspiration (case study: Boroujerd station).
Saggi, M. K., & Jain, S. (2020). Application of fuzzy-genetic and regularization random forest (FG-RRF): Estimation of crop evapotranspiration (ETc) for maize and wheat crops. Agricultural Water Management, 229, 105907.
Shiri, J. 2017. Evaluation of FAO56-PM, empirical, semi-empirical and gene expression programming approaches for estimating daily reference evapotranspiration in hyper-arid regions of Iran. Agricultural water management, 188, 101-114.
Shiri, J., Nazemi, A. H., Sadraddini, A. A., Landeras, G., Kisi, O., Fard, A. F., & Marti, P. (2014). Comparison of heuristic and empirical approaches for estimating reference evapotranspiration from limited inputs in Iran. Computers and Electronics in Agriculture, 108, 230-241.
Shiri, J., Sadraddini, A. A., Nazemi, A. H., Kisi, O., Landeras, G., Fard, A. F., & Marti, P. (2014). Generalizability of gene expression programming-based approaches for estimating daily reference evapotranspiration in coastal stations of Iran. Journal of hydrology, 508, 1-11.
Shiri, N., Kazemi, M. H., & Shiri, J. (2021). Application of empirical and random forest models in estimating reference evapotranspiration of humid regions. Water and Soil Science, 31(2), 1-11. doi: 10.22034/ws.2021.12356
Siasar, H., & honar, T. (2019). Application of Support vector machine, CHAID and Random Forest models, in estimated daily Reference evapotranspiration in northern Sistan and Baluchestan province. Iranian Journal of Irrigation & Drainage, 13(2), 378-388.
Siasar, H., Salari, A., Mohamadrezapour, O., & Piri, H. (2022). Estimating Daily Reference Evapotranspiration in Sistan Plain Using Ultra-Innovative Algorithms. Desert Ecosystem Engineering, 10(32), 85-96. doi: 10.22052/deej.2021.10.32.49
Valipour, M., G. Sefidkouhi, M. Ali, M. Raeini-Sarjaz and S.M. Guzman. 2019. A Hybrid ‎‎Data-Driven Machine Learning Technique for Evapotranspiration Modeling in Various ‎‎Climates. Atmosphere, 10(6), 311.‎
 
 
پژوهش های کاربردی مهندسی آب
دوره 2، شماره 1
تیر 1403
صفحه 137-147

  • تاریخ دریافت 22 مهر 1403
  • تاریخ بازنگری 30 مهر 1403
  • تاریخ پذیرش 01 آبان 1403