نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشجوی کارشناسی ارشد آبیاری و زهکشی، دانشکده کشاورزی، دانشگاه ارومیه

2 دانشیار گروه مهندسی آب، دانشکده کشاورزی، دانشگاه ارومیه

3 استادیار گروه مهندسی آب، دانشکده کشاورزی، دانشگاه ارومیه

چکیده

     تبخیر-تعرق یکیازمؤلفه­هایمهمدرمصرفمنابعآب در بخش کشاورزیمی­باشد. لذا ارائه روشی که پیش­بینی مناسب و دقیقی از میزان تبخیر-تعرق مرجع را بدهد، می­تواند در اخذتصمیم­ بهینهبرایبرنامه­ریزی منابع آب کمککند. دراینتحقیق،روش­های سری زمانی و شبکه­های عصبی مصنوعی درپیش­بینیتبخیر-تعرق مرجع ماهانهدرایستگاهسینوپتیک ارومیهموردمقایسه قرار گرفتند. بدین منظور در گام نخست بهترین مدل سری زمانی از بین مدل­های ARو ARMAو بهترین مدل شبکه عصبی از بین شبکه­های با تابع پایه شعاعی (RBF) و پرسپترون چندلایه (MLP) انتخاب گردید. در گام دوم دو مدل انتخاب شده با یکدیگر مقایسه شدند. در مدل­های شبکه­ عصبی ذکر شده تاخیر­های ماهانه مختلف از تبخیر-تعرق مرجع به عنوان ورودی شبکه انتخاب گردید. در این فرآیند مقادیرتبخیر-تعرق مرجع ماهانه از سال 1350 تا 1389 با استفاده از روش پنمن مونتیث فائو محاسبه شد. داده­های مذکور از سال1350 تا 1384 برای انتخاب بهترین مدل سری زمانی و بهترین ساختار شبکه­ها استفاده و از داده­های 1385 تا 1389 به­منظور مقایسه روش­ها استفاده گردید. نتایج نشان داد که مدل AR(11)در بین سایر مدل­های سری زمانی عملکرد بهتری داشته و مدل RBFدارای خطای کمتری نسبت به مدل MLPبود. مقایسه بهترین مدل سری زمانی (مدل AR(11)) با بهترین مدل شبکه عصبی (مدل RBF) نشان داد که مدل RBFتوانست مقادیر تبخیر-تعرق مرجع را در دوره 1385 تا 1389 با خطای کمتری پیش­بینی کند. مقدار جذر میانگین مربعات خطا در دو مدل AR(11)و RBFبه ترتیب 85/1 و 999/0 میلی­متر در ماه به دست آمد.

کلیدواژه‌ها

عنوان مقاله [English]

Comparison of Time Series Methods and Artificial Neural Networks In Reference Evapotranspiration Prediction (Case Study: Urmia)

نویسندگان [English]

  • Nasrin Azad Talatapeh 1
  • Javad Behmanesh 2
  • Mojtaba Moktaseri 2
  • Vahid Reza Verdi Nejhaz 3

چکیده [English]

     Evapotranspiration is one of the important factors in water resources consumption in the agriculture part. Therefore, presenting a method which gives suitable and accurate prediction of reference evapotranspiration can help to take optimum decision for water resource programing. In this research, time series and artificial neural networks methods were compared each other in order to predict the monthly reference evapotranspiration in Urmia synoptic station. To achieve this goal, at the first step, the best time series model between AR and ARMA models and the best artificial neural networks model between radial basis function (RBF) and multilayer perceptron (MLP) neural networks were selected. In the second step, the two models chosen were compared each other. In the mentioned artificial neural networks, the deferent monthly lags of reference evapotranspiration were used as network input. In this process, the monthly reference evapotranspirations were computed from 1971 to 2010 using FAO Penman-Monteith method. The mentioned dates from 1971 to 2005 were used to select the best time series model and the best structure of networks and the dates from 2006 to 2010 were utilized to compare the methods used. The results showed that the AR(11) model has the best performance among other time series models and the RBF model has the lower error than the MLP model. The comparison of the best time series model (AR(11) model) with the best artificial neural networks model (RBF model) showed that the RBF model could predict the reference evapotranspiration by the lowest error from 1971 to 2010 period. The root mean square error in AR(11) and RBF models was obtained 1.85 and 0.999 mm/month respectively. 

کلیدواژه‌ها [English]

  • Reference Evapotranspiration
  • Radial basis function networks
  • Multilayer perceptron neural networks
  • Time series models