ارائه يك ضريب اصلاحي براي بهبود دقت روش هارگريوز در برآورد تبخير و تعرق مرجع

Provide a Adjusted Coefficient to improve the accuracy of the Hargreaves method in the estimation of reference evapotranspiration

تبخير- تعرق يكي از مهم‌ترين اجزاي چرخه هيدرولوژي است كه برآورد آن در مديريت منابع آب نقش مهمي دارد. در تحقيق حاضر امكان بهبود دقت روش هارگريوز جهت برآورد تبخير- تعرق به كمك ضريب اصلاحيK با استفاده از مدل شبكه عصبي مصنوعي و مدل درخت تصميم M5 مورد بررسي قرار گرفت. اين ضريب برابر با نسبت تبخير- تعرق مدل پنمن مونتيث فائو به روش هارگريوز مي باشد. داده‌هاي آب و هوائي مورد استفاده در اين تحقيق در بازه‌ي زماني 2013-2004 از ايستگاه فرخشهر و فرودگاه شهركرد در استان چهارمحال و بختياري شامل دماي حداقل، دماي حداكثر و رطوبت نسبي ميانگين با اقليم سرد و خشك اخذ شده است. داده ها به دو قسمت 75 درصد براي آموزش و اعتبار سنجي و 25 درصد براي تست تقسيم شدند. نتايج نشان مي‌دهد كه شبكه عصبي و مدل درخت تصميمم عملكرد خوبي در مدلسازي ضريب اصلاحي دارند. قبل از استفاده از ضريب اصلاحي براي ايستگاه فرخشهر ريشه ميانگين مربعات خطا مدل هارگريوز نسبت به روش پنمن مونتيث فائو RMSE=0/90 بود كه اين مقدار بعد از استفاده از ضريب اصلاحي به كمك شبكه عصبي به RMSE=0/69 و با از استفاده از ضريب اصلاحي به كمك درخت تصميمم به RMSE=0/72 رسيد. به طور كلي نتايج نشان داد كه بعد از استفاده از ضريب اصلاحي عملكرد مدل هارگريوز بهبود يافته است. نتبج نشان داد كه عملكرد شبكه عصبي مصنوعي‌دقيق تر است ولي مدل درختي روابط خطي، ساده‌تر و قابل فهم‌تري را ارائه مي‌دهد.

Evapotranspiration is one of the most important components of the hydrological cycle, which has an important role in water resource management. In the present study, the accuracy of the Hargreaves method for estimating evapotranspiration with the help of Adjusted coefficient K was investigated using artificial neural network model and M5 decision tree model. The weather data used in this study during the period of 2013-2004 from Farakhshahr station and Shahrekord airport in Chaharmahal and Bakhtiari province included minimum temperature, maximum temperature and relative humidity with cold and arid climate. Data were divided into 75% for training and validation and 25% for testing. The results show that neural network and decision tree model have good correlation modeling. Before using the Adjusted coefficient for Farkhshahr station, the root mean square of the Hargreaves strain was RMSE = 0.90 according to the Penman-Monteith-FAO method, which after applying the Adjusted coefficient using the neural network to RMSE = 0.69 and using The Adjusted coefficient for the decision tree was RMSE = 0 72. In general, the results showed that the Hargreaves model improved after using the Adjusted coefficient. Neutbay showed that the performance of the artificial neural network is more accurate, but the tree model offers linear, easier, and more intelligible relationships.