معرفي و كاربرد ماشين‌بردار پشتيبان حداقل مربعات در برآورد تبخير-تعرق مرجع و تحليل عدم قطعيت نتايج؛ مطالعه موردي شهر كرمان

Introduction and application of Least Square Support Vector Machine (LSSVM) for simlulation of reference evapotranspiration and uncertainty analysis of results, A case study of the Kerman city

تبخير-تعرق مرجع (ETo) يكي از پارامترهاي مهم در طراحي پروژه هاي تامين و توزيع آب، مديريت آبياري، طراحي سيستم‌هاي آبياري، كشاورزي و عمليات هيدرولوژيكي است. پيچيدگي، ناشناخته بودن رياضيات پديده تبخير-تعرق، عدم وجود داده هاي بلندمدت هواشناسي قابل اطمينان، هزينه بر بودن استفاده از لايسيمترها و عدم وجود آن‌ها در اكثر مناطق لزوم استفاده از روش هاي جديد داده كاوي را نشان مي دهد. بدين منظور در اين تحقيق از مدل ماشين بردار پشتيبان حداقل مربعات (LSSVM) مبتني بر آزمون گاما (GT) با سه تابع هسته اي RBF، خطي (Linear) و چند جمله اي (Polynomial) براي پيش‌بيني تبخير-تعرق لايسيمتري استفاده گرديد و نتايج آن با دو مدل شبكه هاي عصبي مصنوعي (ANN)، سيستم استنتاج تطبيقي عصبي فازي (ANFIS) و داده هاي لايسيمتري مقايسه گرديد. داده هاي هواشناسي روزانه يكساله ايستگاه سينوپتيك كرمان و داده هاي تبخير-تعرق لايسيمتري در اين تحليل استفاده شد. بهترين تركيب در مدلسازي ETo در ايستگاه مورد بررسي با استفاده از GT، تركيب داراي متغيرهاي دماي حداكثر، دماي نقطه شبنم، رطوبت نسبي ميانگين، سرعت باد و شدت تابش انتخاب گرديد و مدلسازي بر اساس اين تركيب صورت گرفت. نتايج LSSVM بيانگر برتري تابع هسته اي RBF نسبت به دو تابع چندجمله اي و خطي بود. علاوه بر اين، توزيع خطاي پيش بيني ها نشان داد كه مدل هاي ANFIS و LSSVM-RBF ميزان خطاي كمتري را به ترتيب در دو مرحله آموزش و آزمايشي ايجاد كردند. در انتهاي تحقيق، تحليل عدم قطعيت مونت-كارلو نتايج مدل هاي مختلف مورد استفاده در اين تحقيق نيز نشان داد كه پيش بيني هاي مدل هاي LSSVM عدم قطعيت كمتري نسبت به مدل هاي ANN و ANFIS دارد.

Estimating reference evapotranspiration (ETo) is one of the most important variables at water supply and distribution, irrigation management, irrigation systems design, agriculture and hydrological operations. The need for accurate estimates of ETo, complexity of ETo, unknowing mathematical of phenomenon, lack of reliable meteorological data, the cost of using lysimeters and their absent in most areas magnifies the need for developing new data mining methods. In this paper, the Least Square Support Vector Machine (LSSVM) model with three kernels function of RBF, Linear and Polynomial based on Gamma test used for estimating ETo and their results compared with other methods including Artificial Neural Networks (ANN) and Adaptive Neuro Fuzzy Inference System (ANFIS) models. In this analysis, annual daily meteorological data of Kerman synoptic station and ETo lysimeter data used. In this research, Gamma test was used for selecting the best combinations of input parameters for various models used instead of using trial and error classic methods. The combination including maximum and dew point temperatures, relative humidity, wind speed, and solar radiation selected as the best combination for estimating ETo and modeling was based on this combination. The LSSVM model with RBF kernel performed better than the SVM model with polynomial and linear kernels. Additionally, the distribution of prediction error was calculated that the ANFIS and LSSVM-RBF created less error in train and test steps, respectively. At the end study, Monte-Carlo uncertainty analysis was performed on results of different models that were used in this study. According to the results, predictions of LSSVM models showed less uncertainty than the ANFIS and ANN models were used.