عنوان

برآورد تبخیر و تعرق مرجع روزانه با استفاده از مدل‌های هوش مصنوعی و تجربی با سناریوهای مختلف زمانی، مکانی و خارج مکانی مدیریت داده‌های هواشناسی

‭۱۶۷۹۸پ‬

per

برآورد تبخیر و تعرق مرجع روزانه با استفاده از مدل‌های هوش مصنوعی و تجربی با سناریوهای مختلف زمانی، مکانی و خارج مکانی مدیریت داده‌های هواشناسی

/عباس رضائی

: کشاورزی

، ‮‭۱۳۹۴‬

چاپی

دکترا

علوم خاک

‮‭۱۳۹۴/۱۰/۲۸‬

تبریز

برآورد دقیق تبخیر و تعرق ‮‭(ET)‬ به‌عنوان یکی از یکی از مؤلفه‌های اصلی چرخه هیدرولوژی، دارای اهمیت فراوانی در برنامه‌ریزی آبیاری، مدیریت منابع آب، شبیه‌سازی تولید محصولات کشاورزی و بهبود کارایی مصرف آب در گیاهان است .برخی روش‌های غیرمستقیم اندازه‌صگیری ‮‭ET‬ بر اساس برآورد تبخیر و تعرق مرجع ‮‭(ETO)‬ استوار است .جامع‌ترین مدل ارائه‌شده برای برآورد ‮‭ETO‬ در سال‌های اخیر مدل ترکیبی پنمن- مانتیث-فائو ‮‭(FPM)‬ است .دو مزیت عمده این مدل عبارت‌اند از :الف (قابلیت استفاده از آن در شرایط مختلف آب‌وهوایی و زیست‌محیطی بدون نیاز به واسنجی محلی و ب (اعتبارسنجی آن با داده‌صهای لایسیمتر وزنی دقیق در شرایط مختلف آب‌وهوایی .از سوی دیگر، عیب بزرگ این روش نیاز به متغیرهای متعدد) دمای هوا، رطوبت نسبی، تابش خورشیدی، سرعت باد (است .ازجمله گزینه‌های اقتصادی، به‌منظور صرفه‌جویی در هزینه‌ها و کاهش زمان موردنیاز در برآورد‮‭ETO‬ ، استفاده از مدل‌های تجربی و هوش مصنوعی به‌جای مدل ‮‭FPM‬ است .در این رساله، ابتدا چهار نوع رژیم آب‌وهوایی بر اساس شاخص خشکی :‮‭(IA‬ نسبت بارش به ‮‭ETO‬ سالانه (در نقاط مختلف کشور در نظر گرفته شد .از هر رژیم آب‌وهوایی، یک ایستگاه هواشناسی سینوپتیک با داده کامل -که دارای داده هواشناسی طولانی‌مدت‮‭۲۰۰۰) - (۲۰۱۲‬موردنیاز برای مدل ‮‭FPM‬ باشد- انتخاب گردید بنابراین، ایستگاه انار کرمان( خیلی‌خشک)، ایستگاه تبریز(خشک)، ایستگاه شیراز( نیمه‌خشک) و ایستگاه ساری( مرطوب) به‌عنوان ایستگاه‌های هواشناسی هدف) اصلی (انتخاب شدند .ایستگاه‌های با داده‌های کامل در محدوده ‮‭۳۰۰‬ کیلومتری از ایستگاه اصلی) مشابه و غیرمشابه ایستگاه اصلی بر اساس ‮‭IA)‬ به‌عنوان ایستگاه‌های " نزدیک "و دو الی چهار ایستگاه دیگر) مشابه با ایستگاه اصلی (خارج از محدوده ‮‭۳۰۰‬ کیلومتر به‌عنوان ایستگاه‌های" دور "در نظر گرفته شد .ابتدا ‮‭ETO‬ برای تمام ایستگاه‌های موردمطالعه ‮‭(۵۲‬ ایستگاه (با استفاده از :الف (مدل ترکیبی ‮‭FPM‬ ب (سه مدل تجربی متداول) هارگریوز، پریستلی- تیلور و ماکینک (به‌صورت بدون واسنجی و واسنجی شده و ج (چهار مدل مختلف هوشمند برآورد گردید ‮‭ETO‬ .های برآورد شده با مدل ‮‭FPM‬ در ایستگاه‌های اصلی هر رژیم آب‌وهوایی برای محدوده مربوطه به‌عنوان مرجع مقایسه در نظر گرفته شد .امکان به‌کارگیری مدل‌های مختلف برآورد ‮‭ETO‬ با سه سناریوی مدیریت داده‌ها- الف (سناریو زمانی- مکانی‮‭L)- (T‬ در هر ایستگاه هواشناسی اصلی به‌طور جداگانه ‮‭ETO‬ برآورد شده با سه مدل تجربی متداول برای دو سال داده هواشناسی‮‭۲۰۱۱) -)۲۰۱۲‬با ‮‭ETO‬ برآورد شده از مدل) ‮‭FPM‬ برای همان سال‌ها (مقایسه گردیدند .ب (سناریو زمانی- مکانی- خارج‌مکانی‮‭E)-L- (T‬ مدل‌های تجربی در تک‌تک ایستگاه‌های نزدیک و دور از ایستگاه‌های اصلی به‌طور جداگانه واسنجی شده برای‮‭۱۰‬ - ‮‭۲‬سال داده‮‭۲۰۰۱) - (۲۰۱۰‬و در ایستگاه اصلی مربوطه برای دو سال داده‮‭۲۰۱۱) - (۲۰۱۲‬آزمون شدند و ‮‭ETO‬ برآورد شده از به‌کارگیری مدل‌ها با ‮‭ETO‬ برآورد شده برای دو سال داده‮‭۲۰۱۱) - (۲۰۱۲‬از مدل ‮‭FPM‬ در ایستگاه اصلی مقایسه گردیدند .همچنین مدل‌های هوشمند در تک‌تک ایستگاه‌های نزدیک و دور از ایستگاه‌های اصلی برای هشت سال داده‮‭۲۰۰۳) - (۲۰۱۰‬به‌طور جداگانه آموزش داده‌شده و در ایستگاه‌های اصلی مربوطه برای دو سال داده‮‭۲۰۱۱) - (۲۰۱۲‬آزمون شدند و ‮‭ETO‬ برآورد شده از به‌کارگیری مدل‌ها با ‮‭ETO‬ برآورد شده برای دو سال داده‮‭۲۰۱۱) - (۲۰۱۲‬از مدل ‮‭FPM‬ در ایستگاه‌های اصلی مربوطه مقایسه گردیدند .ج (سناریو زمانی- خارج‌مکانی‮‭E)- (T‬ سه مدل تجربی متداول در تک‌تک ایستگاه‌های نزدیک و دور به‌طور جداگانه برای‮‭۱۰‬ - ‮‭۲‬سال داده‮‭۲۰۰۰) - (۲۰۱۰‬واسنجی شده و برای دو سال داده‮‭۲۰۱۱) - (۲۰۱۲‬همان ایستگاه‌ها آزمون گردیدند و ‮‭ETO‬ برآورد شده از به‌کارگیری مدل‌ها با ‮‭ETO‬ برآورد شده برای دو سال داده‮‭۲۰۱۱) - (۲۰۱۲‬از مدل مرجع در ایستگاه‌های اصلی مربوطه مقایسه شدند .همچنین مدل‌های هوشمند در تک‌تک ایستگاه‌های نزدیک و دور به‌طور جداگانه برای هشت سال داده‮‭۲۰۰۳) - (۲۰۱۰‬آموزش داده‌شده و در همان ایستگاه‌ها برای دو سال داده‮‭۲۰۱۱) - (۲۰۱۲‬آزمون شدند و ‮‭ETO‬ برآورد شده از به‌کارگیری مدل‌ها با ‮‭ETO‬ برآورد شده از مدل مرجع برای دو سال داده‮‭۲۰۱۱) - (۲۰۱۲‬در ایستگاه اصلی مربوطه مقایسه گردیدند .علاوه بر آن در این سناریو ‮‭ETO‬ برآورد شده از مدل‌های تجربی متداول) غیر کالیبره شده (و مدل ترکیبی ‮‭(FPM)‬ به‌طور جداگانه در تک‌تک ایستگاه‌های دور و نزدیک برای دو سال داده‮‭۲۰۱۱) - (۲۰۱۲‬با ‮‭ETO‬ برآورد شده از مدل مرجع در ایستگاه اصلی مربوطه) برای همان سال‌ها (مقایسه گردیدند.- بررسی شد .با استفاده از معیارهای آماری‮‭(RMSE‬ ،‮‭NRSME‬ ، ‮‭NSE‬ و ‮‭MBE)‬ بهترین مدل‌ها و سناریوهای مربوطه مشخص شدند .نتایج نشان داد که به‌طورکلی‮‭ETO‬ های برآورد شده با برخی از مدل‌ها در قالب هر سه سناریو‮‭L- (T‬،‮‭L- T‬- ‮‭E‬و‮‭T‬ - ( ‮‭E‬در مقایسه با‮‭ETO‬ های برآورد شده توسط مدل مرجع ‮‭(FPM)‬ در ایستگاه‌های اصلی مرطوب، نیمه‌خشک و خشک از صحت بالای( بر اساس مقادیر ‮‭NRMSE)‬ برخوردار است .در این سه ایستگاه اصلی ترتیب کارایی سناریوها به‌صورت‮‭E>T-E>T-L- T‬- ‮‭L‬به دست آمد .در ایستگاه اصلی مرطوب بهترین مدل پریستلی-تیلور واسنجی شده در قالب سناریوهای‮‭L- T‬- ‮‭E‬و‮‭T‬ - ‮‭E‬در محدوده نزدیک برای ایستگاه‌های مشابه ایستگاه اصلی بوده است .در ایستگاه اصلی نیمه‌خشک بهترین مدل‌ها عبارت بود از هوش مصنوعی با ورودی برابر مدل پریستلی-تیلور) یا ماکینک (در قالب سناریوهای‮‭L- T‬- ‮‭E‬و مدل هارگریوز با سناریوی‮‭T‬ - ‮‭E‬در محدوده نزدیک برای ایستگاه‌های مشابه ایستگاه اصلی بوده است .در ایستگاه اصلی خشک بهترین مدل‌ها عبارت بود از هوش مصنوعی با ورودی برابر مدل پریستلی-تیلور) یا ماکینک (در قالب سناریوهای‮‭L- T‬- ‮‭E‬و مدل هارگریوز واسنجی شده با سناریوی‮‭T‬ - ‮‭E‬در محدوده نزدیک برای ایستگاه‌های مشابه ایستگاه اصلی بوده است .در ایستگاه اصلی خیلی‌خشک‮‭ETO‬ های برآورد شده با مدل‌ها) در قالب هر سه سناریو (قابل‌جایگزینی با‮‭ETO‬ های برآورد شده از مدل ‮‭FPM‬ نیست و در صورت نیاز به برآورد ‮‭ETO‬ باید از مدل ‮‭FPM‬ استفاده شود

Accurate estimation of evapotranspiration (ET), as one of main components of the hydrological cycle, has an important role in irrigation scheduling, water resources management, agricultural production simulation and improving water use efficiency in plants as well. Some indirect methods to determine ET are based on estimation of the reference evapotranspiration (ETO). The most comprehensive model that has been recommended for estimating ETO in the recent years is the combination FAO Penman-Monteith (FPM) model. This model has two important advantages :(i) it can be applied in a great variety of environments and climate scenarios without local calibration; and (ii) it has been validated using the precision weighing lysimeter under a wide range of climatic conditions. On the other hand, the need for a large number of climatic variables (e.g. air temperature, relative humidity, solar radiation and wind speed) is a major disadvantage of the FPM model. The use of empirical and artificial intelligence-based ETO models instead of FPM might be an economically efficient alternative to save cost and time. In this dissertation, four climatic regimes were considered at different locations of Iran, using the aridity index (IA: ratio of the annual precipitation to annual ETO values). In any climatic regimes, a weather station comprising a complete metorological data -long-term meteorological data (2000-2012) needed for FPM model- was selected. Therefore, the Kerman-Anar (hyper-arid), Tabriz (arid), Shiraz (semi-arid) and Sari (humid) stations were selected as the target (main) metorological stations. The stations with complete data within a range of 300 kilometers from the main station were considered as the near stations (similar and dissimilar based on IA), while 2-4 similar stations were considered as the far stations beyond the 300 km. First, for all stations (52 stations) ETO were estimated using: (i) the combination FPM model, (ii) three calibrated and non-calibrated conventional empirical models Hargreaves (HR), priestly-Taylor (PT) and Makkink (MK)]-, and (iii) four artificial intelligence models. ETO values estimated by the FPM model at the main stations of each climatic regime for related stations were considered as the benchmark values for comparisons. Then, feasibility of using different ETO models were evaluated through application of three data management scenarios- i) Temporal-Local (T-L); In the main weather stations separately, ETO estimated by conventional experimental models for two-year data (2011-2012) were compared with ETO estimated by FPM models (in the same years). ii) Temporal-Local-External (T-L-E); three empirical conventional models in the near and far stations of main stations were calibrated separately at each station for 2-10 years of data from 2001-2010 and then, were tested in the related main station for two years of data (2011-2012) and compared with ETO estimated by FPM models of the relevant main station (benchmark) in the same years. In addition, the applied artificial intelligence models in the near and far stations of the main stations were trained separately at each station for eight years (2003-2010) meteorological data, then were tested in the pertinent main station for two years of data (2011-2012) and compared with ETO estimated by FPM models of the related main station in the same years. iii) Temporal-External (T-E); three empirical conventional models in the near and far stations of the main stations were calibrated separately at each station for 2-10 years of data from 2001-2010 and then were tested in the same station for two years of data (2011-2012), ETO estimates from each model were compared with the benchmark ETO values in the related main stations. Additionaly the applied artificial intelligence models in the near and far stations of the main stations were trained separately at each station for eight years (2003-2010) meteorological data, then were tested in the same station for two years of data (2011-2012) and compared with the ETO estimated by FPM models of the pertinent main station (benchmark) in the same years. Moreover, ETO estimated by the conventional empirical and the combination FPM models for two years data (2011-2012) were compared with ETO estimated by FPM models (benchmark) in the relevant main station for the same years separately-. Using the statistical indices (RMSE, NRSME, NSE and MBE) the best models and related scenarios were identified. The results obtained showed that ETO estimates by some model through the all scenarios (T-L,T-L-E and T-E) in humid, semi-arid and arid main stations, presents accurate results (based on NRMSE values) when compared to the benchmark FPM values. The order of the scenarios accuracy for the three main stations were as T-L-E>T-E>T-L. Attending to the humid main station, PT model was the most accurate model for estimating near similar main stations ETO values through the T-L-E and T-E scenarios. In case of the semi-arid main station, artificial intelligence-based model (fed with the similar input variables of PT or MK models) through the T-L-E scenario, and the HG model using the T-E scenario were the most accurate models for estimating ETO values of the near similar stations. In case of the arid main station, artificial intelligence-based model (fed with the similar input variables of PT or MK models) through the T-L-E scenario, and the calibrated HG model using the T-E scenario were the most accurate models for estimating ETO values of the near similar stations. Finally, in the hyper-arid regions, none of the models can not be replaced with FPM model, so using the FPM model would be the only way to estimate ETO in these regions

رضائی، عباس

نیشابوری، محمدرضا، استاد راهنما

فاخری فرد، احمد، استاد مشاور

شیری، جلال، استاد مشاور

سیاه و سفید

نمایه‌سازی قبلی