كاربرد سيستم هاي استنتاج عصبي - فازي تطبيقي و برنامه ريزي ژنتيك براي برآورد تبخير تعرق ماهانه در شمال غرب ايران

Application of ANFIS and GP Models to Estimate Monthly Reference Crop Evapotranspiration in Northwest of Iran

تبخير و تعرق يكي از اجزاي اصلي چرخه هيدرولوژي است كه تخمين دقيق آن در طراحي و مديريت سيستم هاي آبياري، شبيه سازي توليدات گياهي و مديريت منابع آب ضروري است. در اين مطالعه به منظور برآورد تبخير و تعرق گياه مرجع با استفاده از دو مدل برنامه ريزي ژنتيك (GP) و سيستم استنتاج عصبي - فازي تطبيقي (ANFIS) در مقياس زماني ماهانه، شش ايستگاه سينوپتيك در منطقه شمال غرب كشور در دوره آماري 38 ساله (2010-1973) انتخاب شد. در ابتدا مقادير تبخير تعرق ماهانه گياه مرجع براي ايستگاه هاي منتخب توسط روش فايو- پنمن- مونتيث محاسبه و به عنوان خروجي مدل ها در نظر گرفته شد. سپس يك رابطه رگرسيوني بين متغيرهاي اقليمي مختلف موثر در پديده تبخير و تعرق به دست آمد و الگوهاي مختلف ورودي براي مدل هاي مورد استفاده مشخص گرديد كه بر اين اساس رطوبت نسبي با داشتن كمترين تاثير از ورودي ها حذف شد. همچنين در مطالعه حاضر سعي گرديد تا نقش حافظه در پيش بيني تبخير تعرق ماهانه گياه مرجع بررسي و از تاخيرهاي يك، دو، سه و چهار ماهه نيز به عنوان ورودي براي مدل ها استفاده شد. به طور كلي براي هر مدل نه الگوي ورودي ايجاد شد كه نتايج حاصله نشان دهنده دقت بالا و خطاي كم هر دو مدل در پيش بيني تبخير تعرق ماهانه گياه مرجع بوده و كارآيي مدلANFIS بهتر از روش GP بود.

Evapotranspiration is one of the important components of hydrological cycle whose accurate estimate is needed for design and management of irrigation systems, simulation of crops products, and programming water resources management. In this research, to predict monthly reference evapotranspiration, ANFIS and GP models were employed and 38 years (1973-2010) of data were collected from six synoptic weather stations located in the northwest of Iran. At first, monthly reference evapotranspiration was estimated by FAO-Penman-Montieth method for the selected stations and was considered as the output of GP and ANFIS models. Then, a regression equation between effective meteorological parameters and evapotranspiration was fitted and different input patterns for the models were determined. Relative humidity as the less effective parameter was deleted from input of the models. Also, in this study, to investigate effect of “memory” on prediction of evapotranspiration, one, two, three and four months lags were used as the input of the models. Results showed that both models estimated monthly evapotranspiration with high accuracy, but ANFIS model was better than GP model.