پيش بيني تبخير- تعرق پتانسيل ماهانه با استفاده از مدل هاي ماشين بردار پشتيبان، برنامه ريزي ژنتيك و سيستم استنتاج عصبي – فازي

Monthly Forecast of Potential Evapotranspiration Models Using Support Vector Machine (SVM), Genetic programming and Neural - Fuzzy Inference System

علي رغم اهميت تبخير-تعرق در برنامه ريزي و مديريت منابع آبي، وابستگي آن به مولفه هاي اقليمي از يكسو و تاثيرپذيري اين مولفه ها از يكديگر از سويي ديگر تخمين تبخير-تعرق را دشوار ساخته است. به همين منظور، در اين پژوهش، به بررسي امكان پيش بيني اين مولفه ي مهم در استان سيستان و بلوچستان با استفاده از مدل هاي فراابتكاري از قبيل سيستم استنتاج عصبي – فازي، برنامه ريزي بيان ژن و ماشين بردار پشتيبان پرداخته شد. در اين راستا، ابتدا بر اساس رابطه ي فائو پنمن-مانتيث، ميزان تبخير-تعرق پتانسيل ماهانه در چهار ايستگاه سينوپتيك زاهدان، زابل، ايرانشهر و چابهار با استفاده از داده هاي هواشناسي ماهانه براي يك دوره 30 ساله محاسبه گرديد كه اين مقادير به عنوان مرجع براي مقايسه نتايج مدل هاي مورد مطالعه در تحقيق استفاده گرديد. در اين تحقيق با توجه به تعداد پارامترهاي در نظر گرفته شده براي مدلسازي از 5 الگو استفاده شده است . الگوي 1 شامل ورودي هاي متوسط دماي هوا، ساعات آفتابي و رطوبت نسبي در يك ماه مشخص، الگوي 2 شامل متوسط دماي هوا، رطوبت نسبي و سرعت باد در همان ماه، الگوي 3 شامل متوسط دماي هوا، رطوبت نسبي و سرعت باد در همان ماه، الگوي 4 شامل متوسط دماي هوا، رطوبت نسبي، سرعت باد و ساعات آفتابي در همان ماه و الگوي 5 شامل متوسط دماي هوا، رطوبت نسبي، سرعت باد و ساعات آفتابي در همان ماه و يك ماه قبل ميباشد. مقايسه ي نتايج در مدلهاي مختلف بر اساس آماره هاي ضريب تبيين و جذر ميانگين مربعات خطا صورت گرفت. با توجه به نتايج مشاهده ميشود در مدل نروفازي در ايستگاه زاهدان الگوي 2، در ايستگاه زابل و چابهار الگوي 3 و در ايستگاه ايرانشهر الگوي 5 با مقادير ضريب تبيين به ترتيب 0/945، 0/982، 0/26 و 0/443 از دقت بيشتري برخوردار هستند. همچنين بررسي نتايج در مدل برنامه ريزي بيان ژن نشان دهنده اين است كه در بخش آزمون الگوي 4 از بقيه الگوها با ضريب تبيين 0/974، 0/9811، 0/982 و 0/815 در ايستگاه هاي زاهدان، زابل، ايرانشهر و چابهار داراي دقت بالاتري ميباشد. در مدل ماشين بردار پشتيبان نيز با توجه به مقادير ضريب تبيين ايستگاه هاي زاهدان، زابل، ايرانشهر و چابهار با مقادير 0/997، 0/998، 0/998و 0/979 در بخش آزمون در همه ايستگاه ها الگوي 5 از دقت بهتري برخوردار مي باشد. مقايسه بين 3 مدل در اين تحقيق نيز نشان داد كه در همه ايستگاه ها مدل ماشين بردار پشتيبان در مرتبه اول و سپس مدل برنامه ريزي بيان ژن و در آخر مدل نروفازي براي تخمين مقادير تبخير-تعرق پتانسيل ماهانه قرار دارند.

Despite the importance of evapotranspiration in the planning and management of water resources، its dependence on climatic factors on the one hand and influence of each of these components on the other hand has made it difficult to estimate evapotranspiration. Therefore، in this study، attempts to explore the possibility of predicting these important component in Sistan and Baluchestan using meta-heuristic models such as neuro-fuzzy inference system، GEP and SVM. In this regard، according to the FAO Penman-Monteith equation، the monthly potential evapotranspiration in four synoptic stations- Zahedan، Zabol، Iranshahr، and Chabahar- was calculated using the monthly weather data. These values as a reference to compare the results of the Neuro-fuzzy inference models، genetic programming، and SVM methods were studied. The five models applied in this study were: Model 1 includes input of average air temperature، shiny hours and relative humidity in the same month. Model 2 includes average air temperature، relative humidity، and wind speed in the same month. Model 3 includes average air temperature، relative humidity، and wind speed in the same month. Model 4 includes average air temperature، relative humidity، wind speed، and average shiny hours in the same month، and model 5 includes average air temperature، relative humidity، wind speed، and shiny hours in the same month and the earlier month. The results of different models were compared based on the statistical coefficient of determination and root mean square error. These findings show that in the neuro-fuzzy model، the models 2 (r2= 0.945)، 3 (r2= 0.982(، 4(r2= 0.26)، and 5 (r2= 0.423)، respectively in Zahedan، Zabul and Chabahar، and Iranshahr Chabahar stations own greater accuracy. Analysis of results in the gene- expression planning model also indicates that in the test section، the model no. 4، with the coefficients of 0.974، 0.9811، 0.982، and 0.815، respectively for the stations of Zahedan، Zabol، Iranshahr، and Chabahar، has higher accuracy. Likewise، in the SVM model، due to the coefficients of determination، 0.997، 0.998، 0.998، and 0.979، respectively in the stations of Zahedan، Zabol، Iranshahr، and Chabahar، the model 5 had the highest accuracy. Comparison of 3 models in this study also showed that in all stations، the Support Vector Machine، the programming model of gene expression، and the neuro-fuzzy model were paced in the first، the second، and the third levels of importance for estimating the monthly potential evapotranspiration