پیش بینی تبخیر و تعرق پتانسیل با استفاده از مدل غیر خطی NARX (مطالعه موردی، استان یزد)

نوع مقاله: مقاله علمی

نویسنده

استادیار دانشکده منابع طبیعی و کویر شناسی، دانشگاه یزدیزد

چکیده

تبخیر و تعرق پتانسیل از پارامترهای مهم سیکل هیدرولوژیک است که پیش­بینی آن می تواند کمک شایانی به برنامه ریزی صحیح مدیریت منابع آب، تغییرات نیاز آبی گیاهان در آینده و نیز پیش­بینی وقوع خشکسالی بنماید. در صورت نیاز به پیش­بینی بلند مدت و یا میان مدت تبخیر و تعرق پتانسیل، از مدل های جهانی اقلیمی بر اساس سناریوهای انتشار مورد نظر و ریز مقیاس نمایی خروجی ها استفاده می شود. برای پیش‌بینی های کوتاه مدت استفاده از مدل های آماری توصیه شده است. تبخیر و تعرق پتانسیل یک پدیده غیر خطی است که تحت تاثیر پارامترهای دما، رطوبت، ساعات آفتابی و سرعت باد می باشد. در این مطالعه تبخیر و تعرق پتانسیل با استفاده از روش فائو-پنمن-مانتیث برای ایستگاه سینوپتیک یزد در دوره 1966 تا 2010 محاسبه شد. اخیرا مدل NARX به صورت نسبتا گسترده ای برای پیش­بینی پارامترهای هیدرولوژیکی و اقلیمی به کار گرفته شده است. در این مطالعه توانایی این مدل در پیش بینی تبخیر و تعرق پتانسیل مورد ارزیابی قرار گرفت. NARX یک مدل غیر خطی است که علاوه بر مقادیر پارامتر هدف، داده های تاثیرگذار بر روی پارامتر هدف نیز به عنوان ورودی به مدل وارد می شود. می توان تابع غیرخطی رگرسورهای مدل NARX را از توابع متفاوتی انتخاب نمود. در این مطالعه از شبکه عصبی پیشخور به دلیل دقت بالای آن در مدل سازی فرایندهای غیرخطی استفاده شد. برای آموزش شبکه از الگوریتم GDX استفاده شد. در مرحله بعد، تبخیر و تعرق پتانسیل به کمک مدل NAR که ورودی آن فقط مقادیر تبخیر و تعرق پتانسیل می باشد، پیش­بینی شد و با خروجی های مدل NARX مقایسه شد. نتایج نشان داد استفاده از پارامترهای کمکی به نحو قابل توجهی دقت پیش­بینی مقادیر تبخیر و تعرق پتانسیل را افزایش می دهد. برای مثال همبستگی بین داده های پیش­بینی شده یک ماهه دوره 2010-2002 توسط NAR و NARX با داده های واقعی به ترتیب 72/0 و 92/0 است.

کلیدواژه‌ها


 [1]. Abdulkadir, S. J., Yong, S-P. (2015). Scaled UKF–NARX hybrid model for multi-step-ahead forecasting of chaotic time series data. Soft Computing, 19, 3479–3496.
[2]. Allen, R. G., Pereira, L. S., Raes, D., Smith, M., (1998). Crop evapotranspiration. FAO Irrigation and Drainage Paper 56, Food and Agriculture Organization, Rome.
[3]. Arabeyyat, O., Shatnawi, N., Matouq, M, (2018). Nonlinear multivariate rainfall prediction in Jordan using NARX-ANN model with GIS techniques. Jordan Journal of Civil Engineering, 12(3), 359-368.
[4]. Asadi Zarch, M.A., Sivakumar, B., Malekinezhad, H., Sharma, A., (2017). Future aridity under conditions of global climate change. Journal of Hydrology, 554, 451-469.
[5]. Asadi Zarch, M. A., Sivakumar, B., Sharma, A., (2015). Droughts in a warming climate: a global assessment of Standardized precipitation index (SPI) and Reconnaissance drought index (RDI). Journal of Hydrology, 526, 183-195.
[6]. Bari Abarghouei, H., Hosseini, S. Z., (2016).  Using exogenous variables to improve precipitation predictions of ANNs in arid and hyper-arid climates. Arabian Journal of Geosciences, 9(15), 663.  DOI: 10.1007/s12517-016-2679-0.
[7]. Bari Abarghouei, H. B., Kousari, M. R., Asadi Zarch, M. A., (2013). Prediction of drought in dry lands through feedforward artificial neural network abilities‏. Arabian Journal of Geosciences, 6 (5), 1417-1433‏.
[8]. Boussaada, Z., Curea, O., Remaci, A., Camblong, H., Bellaaj, N. M. (2018). A Nonlinear Autoregressive Exogenous (NARX) Neural Network Model for the Prediction of the Daily Direct Solar Radiation. Energies, 11, 620, doi:10.3390/en11030620.
[9]. Byakatonda, J., Parida, B. P., Kenabatho, P. K. (2018). Relating the dynamics of climatological and hydrological droughts in semiarid Botswana. Physics and Chemistry of the Earth, 105, 12-24.
[10]. Chang, F.J., Chang, L.C., Huang, C.W., Kao, I.F. (2016). Prediction of monthly regional groundwater levels through hybrid soft-computing techniques. Journal of Hydrology, 541, 965-976
[11]. Chen, S., Billings, S., Grant, P. (1990). Non-linear system identification using neural networks. International Journal of Control, 51, 1191–1214.
[12]. Ding, R., Kang, S., Zhang, Y., Hao, X., Tong, L., Li, S., (2015). A dynamic surface conductance to predict crop water use from partial to full canopy cover. Agricultural Water Management, 150, 1–8.
[13]. Guzman, S. M., Paz, J. O., Tagert, M. L. M. (2017). The Use of NARX Neural Networks to Forecast Daily Groundwater Levels. Water Resources Management, 31 (5), 1591-1603.
[14]. Han, X., Liu, W., Lin, W., (2015). Spatiotemporal analysis of potential evapotranspiration in the Changwu tableland from 1957 to 2012. Meteorological Applications, 22, 586–591.
[15]. Horne, B.G., Giles, C.L. (1994). An experimental comparison of recurrent neural networks, in: NIPS, 697–704.
[16]. Huo, F., Poo, A.N. (2013). Nonlinear autoregressive network with exogenous inputs based contour error reduction in CNC machines. International Journal of Machine Tools and Manufacture, 67, 45-52.
[17]. Jabloun, M., Sahli, A. (2008). Evaluation of FAO-56 methodology for estimating reference evapotranspiration using limited climatic data application to Tunisia. Agricultural Water Management, 95, 707–715.
[18]. Jamil, M., Zeeshan, M.A. (2018). Comparative analysis of ANN and chaotic approach-based wind speed prediction in India. Neural Computing and Applications. Article in Press. DOI: 10.1007/s00521-018-3513-2
[19]. Martí, P., González-Altozano, P., López-Urrea, R., Mancha, L.A., Shiri, J., (2015). Modeling reference evapotranspiration with calculated targets. Assessment and implications. Agricultural Water Management, 149, 81–90.
[20]. Ruslan, F.A., Samad, A.M., Zain, Z.M., Adnan, R. (2014). Flood water level modeling and prediction using NARX neural network: Case study at Kelang river. Proceedings - 2014 IEEE 10th International Colloquium on Signal Processing and Its Applications, CSPA 2014, art. no. 6805748, pp. 204-207.
[21]. Salehi, M., Montazeri-GH, A., Nasiri, M., (2013). Modeling of turbojet fuel control unit using NARX-neural network. Mechanical Engineering Journal, 13(7), 1-9. (in Farsi)
[22].Wang, W., Zou, S., Luo, Z., Zhang, W., Chen, D., Kong, J. (2014). Prediction of the reference evapotranspiration using a chaotic approach. The Scientific World Journal. 13 pages.
[23]. Wunsch, A., Liesch, T., Broda, S. (2018). Forecasting groundwater levels using nonlinear autoregressive networks with exogenous input (NARX). Journal of Hydrology, Article in Press. DOI: 10.1016/j.jhydrol.2018.01.045