نشریه علمی پژوهشی مهندسی آبیاری و آب ایران

نشریه علمی پژوهشی مهندسی آبیاری و آب ایران

پیش‌بینی مقادیر تبخیر و تعرق مرجع استان گلستان با مدل‌ یادگیری ترکیبی متا

نوع مقاله : مقاله پژوهشی

نویسندگان
ام البنی محمدرضاپور 1
هادی سیاسر 2
حسین شریفان 1
Ozgur Kisi 3
1 دانشیار گروه مهندسی آب – دانشکده آب و خاک - دانشگاه علوم کشاورزی و منابع طبیعی گرگان
2 استادیار، گروه کشاورزی، دانشگاه پیام نور، زابل، ایران.
3 Department of Civil Engineering, Technical University of Lübeck, 23562, Lübeck, Germany.
10.22125/iwe.2025.483811.1836
چکیده
تبد دقیق نیاز آبی گیاه، تاثیر شایانی بر کاهش معضل بحران آب، خواهد داشت. علی‌رغم اهمیت تبخیر-تعرق در برنامه‌ریزی و مدیریت منابع آبی، وابستگی آن به مولفه‌های اقلیمی از یک‌سو و تاثیرپذیری این مولفه‌ها از یکدیگر از سویی دیگر تخمین تبخیر-تعرق را دشوار ساخته است. در این راستا، ابتدا بر اساس رابطه‌ی فائو پنمن-مانتیث، میزان تبخیر-تعرق پتانسیل ماهانه در ایستگاه های سینوپتیک مورد انتخاب از داده‌های هواشناسی ماهانه محاسبه و به عنوان ورودی مدل‌های هیبریدی فراکاووشی شامل شبکه عصبی مصنوعی (ANN)، بردار پشتیبان ارتقا یافته (ESVM)، مدل یادگیری ترکیبی متا (Stacking) استفاده می شود. همچنین در این تحقیق برای ارزیابی دقت مدلها از سه معیار ریشه میانگین مربعات خطا، ضریب همبستگی و میانگین قدر مطلق خطا استفاده ‌شد. از بررسی نتایح همه ایستگاه‌ها مشاهده شد، تمام‌مدل‌های پیش‌بینی پارامتر تبخیر و تعرق مرجع از کارایی خوبی برخوردار هستند. اما مدل Stacking در همه ایستگاه های مورد مطالعه در بهترین سناریوها از مقادیر کمترین میانگین قدر مطلق خطا (گرگان: 0.25، گنبد: 0.08، کردکوی: 0.25، بندر ترکمن: 0.8، علی آباد: 0.33 و مینودشت: 0.97 ) و ضریب تبیین بسیار زیاد (گرگان: 0.996، گنبد: 0.99، کردکوی: 0.99، بندر ترکمن: 0.996، علی آباد: 0.991 و مینودشت: 0.992) و کمترین ریشه دوم مربعات خطا (گرگان: 6.849، گنبد: 9.919، کردکوی: 9.671، بندر ترکمن: 6.561، علی آباد: 9.123 و مینودشت: 8.73) برخوردار می‌باشد. همچنین بعد از مدل Stacking در همه ایستگاهها مدل ANN و سپس مدل ESVM از دقت بالاتری نسبت به بقیه مدلها برخوردار می‌باشند
کلیدواژه‌ها
مدل‌های هوش مصنوعی
استان گلستان
تبخیر و تعرق مرجع
موضوعات

عنوان مقاله English

Prediction of reference evaporation and transpiration values of Golestan province with meta combinatorial learning model (Stacking)

نویسندگان English

omolbani mohammadrezapour 1
Hadi Siasar 2
Hosein Sharifan 1
Kisi Kisi 3
1 1Associate Professor, Department of Water Engineering, Faculty of water and soil, Gorgan University of Agricultural science and Natural Resources.
2 2Assistant Professor, Assistant professor, Faculty of Agricultural, PayamNoor University, Zabol, Iran.
3 Department of Civil Engineering, Technical University of Lübeck, 23562, Lübeck, Germany.
چکیده English

,accurate estimation of plant water needs will have a great effect on reducing the problem of water crisis. Despite the importance of evapotranspiration in water resources planning and management, its dependence on climatic factors on the one hand and the influence of these factors on each other has made it difficult to estimate evapotranspiration. In this regard, based on the FAO Penman-Monteith relationship, the monthly potential evaporation-transpiration rate in the selected synoptic stations was calculated from the monthly meteorological data and as an input to the hybrid meta-exploratory models including the artificial neural network (ANN). , Evaluated Support Vector Machin (ESVM), Rain Forest (RF), Deep Learning (DL), Meta Combined Learning Model (Stacking) and Generalized Linear Model (GLM) are used. From the results, it was observed that the all reference evaporation and transpiration (ETo) prediction models (GLM, Stacking, DL, ESRV, RF, ANN-MLP) are highly efficient in all stations. However, the Stacking model has very high coefficient of determination (Gorgan: 0.996, Gonbad: 0.99, KordKoi: 0.99, Bandr-Torkman: 0.996, AliAbad: 0.991 and Minodasht: 0.992) and the lowest MAE (Gorgan: 0.25, Gonbad: 0.08, KordKoi: 0.25, Bandr-Torkman: 0.8, AliAbad: 0.33 and Minodasht: 0.97) and lowest RMSE(Gorgan: 6.849, Gonbad: 9.919, KordKoi: 9.671, Bandr-Torkman: 6.561, AliAbad: 9.123 and Minodasht: 8.73) in all the studied stations. It was also observed that after the Stacking model in all stations, the RF model and then the DL model have higher accuracy than the rest of the models.

کلیدواژه‌ها English

Artificial intelligence models
Golestan province
Reference evapotranspiration
اسدی، م.، کرمی، م. 1400. ارزیابی تبخیر و تعرق با استفاده از تصاویر ماهوارهای و الگوریتم سبال )مطالعه موردی: شرق استان آذربایجان شرقی). مجله اکوهیدرولوژی، دوره 8 شماره1. 17-27.
شادمانی،م و ص. معروفی.1390. مقایسه چند روش برآورد تبخیر روزانه از تشت- مطالعه موردی منطقه کرمان. مجله علوم و فنون کشاورزی و منابع طبیعی، علوم آب و خاک.(15)5.
صالحی، ج.، و رضوی، ن. 1401. تحلیل تبخیر و تعرق با مدل‌های ترکیبی یادگیری ماشین: مطالعه موردی استان گلستان. نشریه علوم محیطی و کشاورزی، 28(1): 88-72.
کریمی، ر.، نظری، س.، و احمدی، ف. 1399. ارزیابی مدل‌های هوش مصنوعی در پیش‌بینی تبخیر-تعرق با استفاده از داده‌های هواشناسی. مجله تحقیقات آب ایران، 15(2): 67-55.
مساعدی، ا.، شریفان، ح. و شهابی، م. 1386. مدیریت ریسک خشکسالی با شناخت میکروکلیماهای استان گلستان.
هاشمی، م.، حسینی، ح.، و صادقی، م. 1400. بررسی تأثیر تغییرات اقلیمی بر تبخیر و تعرق پتانسیل در مناطق خشک ایران. فصلنامه پژوهش‌های آب و خاک، 32(3): 45-33.
ytac, G., and T. Seydou. 2012. Regional-Specific Numerical Models of Evapotranspiration Using Gene Expression Programming Interface in Sahel. Water Resources Management, 26(12): 4367-4380.
  Banerjee, G., Sarkar, U., Sarkar, S., et al. (2024). EvatCrop: a novel hybrid quasi-fuzzy artificial neural network (ANN) model for estimation of reference evapotranspiration. PeerJ, 12, Article e17437.
  Chen, Z., Zhu, Z., Jiang, H., & Sun, S. (2020). Estimating daily reference evapotranspiration based on limited meteorological data using deep learning and classical machine learning methods. Journal of Hydrology, 591, 125286.
Gulay Tezal and Buyukyildiz. 2015. Modeling of daily pan evaportation in subtropical climate ANN, LS-SRV, fuzzy logic, and ANFIS, Thero Appl Climatol. 15. 1392. 
Guo, x., X. Sun and X. Ma. 2011. Prediction of daily crop reference evapotranspiration value through a least- square support vector machine model. Hydrology Reserch. 42(4). 268- 274.
Guven, A. And O. Kişi. 2011. Daily pan evaporation modeling using linear genetic programming technique, 29 (2):135-145.
Hejazizadeh Z, bazmi N, Rahimi A, Toulabi Nejad M, Bosak A. 2017. Modeling of spatio-temporal of albedo over Iran. Researches in Geographical Sciences, 17 (47): 1-17.
 Ikram, R. M., Mostafa, R. R., Chen, Z., et al. (2022). Advanced hybrid metaheuristic machine learning models application for reference crop evapotranspiration prediction. Agronomy, 13(1), 98.
Kisi, O. 2007. Adaptive neurofuzzy computing technique for Evapotranspiration Estimation. Journal of Irrigation and Drainage Engineering. No. 133(4). pp. 368-379.
Kisi, O. 2007. Adaptive neurofuzzy computing technique for Evapotranspiration Estimation. Journal of Irrigation and Drainage Engineering. No. 133(4). pp. 368-379.
Kisi, O.and M.  Zounemat-Kermani. 2014.Comparison of Two Different Adaptive Neuro-Fuzzy Inference Systems in Modelling Daily Reference Evapotranspiration. Water Resources Management, 28: 2655-2675.
  Kushwaha, N. L., Rajput, J., Sena, D. R., et al. (2022). Evaluation of data-driven hybrid machine learning algorithms for modelling daily reference evapotranspiration. Atmosphere-Ocean, 60, 519–540.
  Liu, X., Wu, H., & Zhou, J. (2021). Application of stacking ensemble methods for climate-related evapotranspiration modeling. Computers and Electronics in Agriculture, 181, 105-115.
Mohammadrezapour, O., Piri, J., Kisi, o. 2019. Comparison of SVM, ANFIS and GEP in modeling monthly potential evapotranspiration in arid region (Case study: Sistan and baluchestan province –Iran). Water Supply (2019) 19 (2): 392–403. https://doi.org/10.2166/ws.2018.084.
Mohammadrezapoura, O., Moradi, M., Kisi, O., Sharifazari. S. 2018, Evolutionary support vector machine for evapotranspiration estimation (case study: Haji Abad region, Hormozgan province), Desalination and Water Treatment, 111 (2018) 183–191.
 Ramesh, S., Krishnan, K., & Gupta, N. (2021). Comparative study of ANN and Penman-Monteith for evapotranspiration prediction. Environmental Modelling & Software, 139, 104958.
Shiri, j., O. Kişi, G. Landeras, J. López and A.H. Nazemi.2012 .Daily reference evapotranspiration modeling by using genetic programming approach in the Basque Country (Northern Spain).Journal of Hydrology, 414:316-302.
Shirsath P.B. and A.K. Singh. 2010. A comparative study of daily pan evaporation estimation using ANN, regression and climate based models. Water Resource Management, 24:1571-1581.
Terzi, O. 2013. Daily pan evaporation estimation using gene expression programming and adaptive neural-based fuzzy inference system. Journal Computing &Applications, Sep 2013, Vol. 23 Issue 3/4, p1035.
Vafakhah, M., 2012. Application of artificial neural networks and adaptive neuro-fuzzy inference system models to short-term streamflow forecasting. Canadian Journal of Civil Engineering 39(4), 402-414
  Wang, L., Zhang, J., & Liu, H. (2020). Improving evapotranspiration predictions using Stacking ensemble learning. Water Resources Management, 34(7), 2285-2302.
Wang, W.C. and W.L. Men. 2008. Online prediction model based on support vector machine. Neurocomputing, 71, 550-558.
Yu P.S, Chen S.T., Chang I.F. 2006. Support vector regression for real-time flood stage forecasting. Hydrology, 328: 704-716.
  Zhang, Y., Li, P., & Wei, Q. (2020). Artificial neural networks for reference evapotranspiration prediction in arid and semi-arid regions. Journal of Hydrology, 590, 125-135.
Zhao, F., Sun, Q., & Wang, J. (2020). Enhanced support vector machines for predicting evapotranspiration using multivariate data. Agricultural Water Management, 239, 106272.