شبيهسازي تبخير تعرق روزانه گياه مرجع به روش هوش مصنوعي و روش هاي تجربي درمقايسه با اندازه گيري هاي لايسي متري در اقليم نيمه خشك سرد همدان

Simulation of reference evapotranspiration using Artificial Neural Method and Empirical Methods and comparison with experimental Lysimeter data in cold semi-arid climate of Hamedan

چكيده 1 و سيستم (ANN) در اين مقاله از دو روش مبتني بر هوش مصنوعي شامل شبكه عصبي مصنوعي و بلاني كريدل (PMF56) و دو مدل پنمن مانتيث فايو 56 (ANFIS) استنتاج تطبيقي عصبي - فازي كه دادههاي ورودي- خروجي (ET براي مدلسازي سيستم غيرخطي تبخير تعرق گياه مرجع ( 0 (BC) ANFIS و ANN 1376 ) بودند، استفاده شد . ساختار شبكه - آن به صورت سري زماني دو ساله ( 77 به گونه اي طراحي شدند تا ضمن مقايسه عملكرد آرايه هاي متفاوت، بتوانند تاثير مشخصات و رفتار ديناميكي سيستم را در مدلسازي نشان دهند. نتايج ب هدست آمده از 4 روش با دادههاي سالهاي 1376 2/25 متر براي گياه مرجع چمن و داده هاي هواشناسي ×1× و 1377 لايسي متر زهكش دار به ابعاد 1 مشتمل بر دماي حداقل و حداكثر، رط وبت نسبي حداقل و حداكثر، ساعات آفتابي و سرعت باد، در منطقه نيمه خشك سرد همدان تحت واسنجي قرار گرفتند . نشان داده شد كه روش هاي هوش مصنوعي بهتر از روش هاي كلاسيك قادر به تخمين رفتار سيستم در همه مراحل عملكرد چه مرحله افزايش تبخير تعرق و چه مرحله كاهش تبخير تعرق مي باشند. افزون بر مزيت ياد شده ، روش هاي هوش مصنوعي داراي دقت و سرعت بهتري در تخمين 0 آزمون مدل هاي هوش مصنوعي با داده هاي كاملاً مستقل از داده هاي مورد استفاده در آموزش شبكه ،0/ نشان داد كه نتايج مدل سازي براي اين نوع فرآيند ديناميكي غيرخطي با ضريب همبستگي برابر 95 نسبت به ANN كاملاً قابل اعتماد است . از ديگر نتايج اين مطالعه مي توان به مناسب تر بودن اشاره داشت . همچنين اين PMF نسبت به مدل تركيبي 56 BC و همچنين روش دمايي ANFIS 6 و قانون يادگيري پس انتشار پيش خور در مقايسه با -3- با آرايش 1 ANN پژوهش نشان داد كه مدل بهتري را در شرايط اقليمي مورد مطالعه ET با قانون يادگيري پس انتشار، نتايج 0 ANFIS مدل بهينه ارايه مينمايد. واژه هاي كليدي: مدلسازي، شبكه عصبي مصنوعي، سيستم استنتاج تطبيقي عصبي - فازي، تبخير تعرق مرجع، همدان

Abstract1 Using two different artificial neural methods [Artificial Neural Network (ANN) and Adaptive Neuro-Fuzzy Inference System (ANFIS)] and two empirical evapotranspiration models [Penman-Montieth FAO56 (PMF56) and Blaney-Cridle (BC)] daily reference evapotranspiration values (ET0) were estimated. Time series of two years observed meteorological data (1997-1998) were used as the input and output for modeling non-linear system of ET0 values. The structures of ANN and ANFIS network were constructed in such a way that in addition to their ability for comparing the performance of different arrays, they were able to show the effect of dynamical behavior of the used networks. The model outputs were validated against a two years (1997-1998) Lysimeter (1*1*2.25m) data, in addition to the daily weather observations (minimum and maximum temperatures, minimum and maximum relative humidity, sunshine duration, wind speed) in cold-semi climate of Hamedan. The results indicate that neural networks perform reliable ET0 estimations in both decreasing and increasing steps, in comparison with the classic methods. In addition, the neural intelligent networks provide more accurate estimates in shorter computer time compared with the results obtained by classic approaches. It is shown that validations against independent data set are reliable (with coefficient of correlation of about 0.95) for such non-linear dynamical processes. The comparisons of ANN and ANFIS results indicate that ANN performs more accurate ET0 estimates. For the climate condition of Hamedan, the ANN method with 6-3-1 arrays and feed-forward back propagation (FFBP) learning rule performed better predictions compared to the ET0 estimated by ANFIS. Keywords: Model estimation, Artificial Neural Network, Adaptive Neuro-Fuzzy Inference System, Reference evapotranspiration, Hamedan