مقایسه روش‌های شبکه عصبی مصنوعی و رگرسیون چندگانه در برآورد تبخیر از تشت و تعیین مهم ترین عوامل هواشناسی موثر به روش تحلیل مولفه‌های اصلی

نوع مقاله: مقاله پژوهشی

10.22092/wmej.2015.107046

چکیده

میزان تبخیر از تشت یکی از عوامل بسیار مهم در برنامه ریزی منابع آب، مدیریت آبیاری و تولیدات زراعی می‏باشد.. بسیاری از ایستگاه‌های هواشناسی کشور فاقد آمار طولانی مدت و همگن تبخیر از تشت می‌باشند. لذا مدلهای تجربی مختلفی به منظور برآورد این کمیت مورد استفاده قرار می‌گیرد. هدف از انجام این تحقیق، برآورد تبخیر از تشت در چهار ایستگاه سینوپتیک کرج، اهواز، شیراز و تبریز در بازه زمانی 1986 تا 2005 با استفاده از دو روش شبکه عصبی مصنوعی (Artificial Neural Network) و رگرسیون چندگانه ‏(Multiple regression) و مشخص نمودن مهمترین متغیرهای  تاثیرگذار بر  تبخیر از تشت در ایستگاه‌های مطالعاتی با استفاده از روش تحلیل مولفه‌های اصلی‏(Principal Factors Analysis)می‏باشد. در این رابطه، داده‏های تبخیر از تشت، دمای بیشینه و کمینه، سرعت باد، رطوبت نسبی و ساعات آفتابی مورد تجزیه و تحلیل قرار گرفت. نتایج حاصل از روش آنالیز مولفه‌های اصلی(PCA) نشان داد در ایستگاه اهواز 90 درصد، ایستگاه تبریز 91 درصد و در ایستگاه شیراز 93 درصد از تغییرات تبخیر از تشت بر اساس ساعات آفتابی، سرعت باد و دمای حداکثر و حداقل قابل توجیه است. ولی در ایستگاه کرج، تعیین موثرترین عوامل بر تبخیر از تشت با روش PCA عملی نبوده است. نتایج روش شبکه عصبی مصنوعی نشان داد که مقادیر برآوردی با مقادیر مشاهداتی تطابق مناسبی داشتند، به‌طوری‌که در ایستگاه های اهواز، شیراز و تبریز مقدار ضریب تبیین(R2)  برابر 81/0 و در ایستگاه کرج 88/0 و مقدار RMSE برای ایستگاه های اهواز، شیراز و تبریز 2/0 میلی‌متر و برای ایستگاه کرج 1/0  میلیمتر می باشد. همچمین مقدار MAE برای ایستگاه های کرج، اهواز، شیراز و تبریز به ترتیب برابر 83/3، 6/33، 79/21 و 6/15 میلیمتر می باشد. همچنین بر اساس شاخص MSE2  مشخص شد مدل پیشنهادی در ایستگاه های اهواز، شیراز و تبریز بیش برآورد بوده و تنها در ایستگاه کرج مدل پیشنهادی کم برآورد می باشد. نتایج حاصل از روش رگرسیون چندگانه نشان داد که در ایستگاه کرج دمای حداکثر، ایستگاه تبریز سرعت باد، ایستگاه شیراز دمای حداقل مقدار P-value  برابر 03/0، 04/0، 1/0می باشد که بیانگر اینست که این عوامل نسبت به سایر عوامل مورد بررسی تاثیر بیشتری بر روی تبخیر از تشت داشته است.

کلیدواژه‌ها


عنوان مقاله [English]

Comparison of multiple regression and artificial neural network methods in estimation of pan evaporation and determination of most important affecting variables using principal factors analysis

چکیده [English]

Pan evaporation is a key element in water resource planning, irrigation management and crop production. In most of the weather stations of country long term, homogen pan evaporation (Epan) data are not available. Hence, empirical model are used to estimate this variable.
The objective of this study was to compare the skill of regression and artificial neural network models in estimation of pan evaporation and determination of most affecting weather variables on Epan by principle factors analysis (PCA) approach using historical climatic datasets of four station namely Karaj, Ahvaz, Shiraz and Tabriz during period of 1986 to 2005.Meterological data including Maximum and Minimum temperature, wind speed and sunshine hours were used as predictors. Results of PCA approach revealed that in Ahvaz, Tabriz and Shiraz stations respectively 90%, 91% and 93% of pan evaporation variations can be attributed to wind speed, sunshine hours and Tmax, Tmin. PCA method did not perform well in Karaj. Application of ANN models showed acceptable results in all study stations. The R2 value was 0.81 in Ahwaz, Shiraz and Tabriz stations and 0.88 in Karaj station. Similarly, the RMSE values for Ahwaz, Shiraz and Tabriz stations was 0.2 mm and 0.1 mm for Karaj station. Besides, based on MSE2 index, the proposed model was overestimating in first three stations and underestimating in Karaj climate.MAE values in Karaj, Ahwaz, Shiraz and Tabriz were 3.83, 33.6,21.79 and 15.6 respectively. Results of multiple regressions showed that in Karaj, Tmax, in Tabriz station, wind velocity and in Shiraz station;Tmin are the most significant affecting variables on Epan with P values of 0.03,0.04 and 0.1 respectively‎.

کلیدواژه‌ها [English]

  • Iran
  • Meteorological variable
  • Pan evaporation
  • Statistical models