عنوان

مدل سازی و برآورد تبخیر- تعرق مرجع با استفاده از داده¬های ایستگاه¬های کمکی

شماره

پ۲۸۶۲۷

زبان متن نوشتاري يا گفتاري و مانند آن

per

عنوان اصلي

مدل سازی و برآورد تبخیر- تعرق مرجع با استفاده از داده¬های ایستگاه¬های کمکی

نام نخستين پديدآور

سولماز کمالی‌نژاد

نام ناشر، پخش کننده و غيره

کشاورزی

تاریخ نشرو بخش و غیره

۱۴۰۱

نام خاص و کميت اثر

۷۹ص.

مواد همراه اثر

سی دی

جزئيات پايان نامه و نوع درجه آن

کارشناسی ارشد

نظم درجات

علوم و مهندسي آب گرايش آبياري و زهكشي

زمان اعطا مدرک

۱۴۰۱/۱۱/۱۹

متن يادداشت

تبخیر - تعرق مرجع (ETo) یکی از مهم¬ترین عناصر کلیدی چرخه هیدرولوژی است که نقش مهمی در مدیریت آبیاری، برآورد تعادل¬آب، مدل¬سازی رواناب آب¬های سطحی، برآورد نوسانات سطح آب زیرزمینی، مدل¬سازی تقاضای آب، ارزیابی تنش¬آبی، مدیریت مخزن، مدل¬سازی شار روزانه و ارزیابی تاثیر تغییرات آب و هوا دارد. از این¬ رو برآورد تبخیر - تعرق مرجع برای حمایت از طراحی و زمان¬بندی آبیاری و مطالعات هیدرولوژی حوضه مورد نیاز است. روش¬های زیادی برای برآورد تبخیر - تعرق از سطح خاک وجود دارد که شامل روش¬های مستقیم و غیرمستقیم است. تبخیر - تعرق را می¬توان مستقیماً با استفاده از روش¬های انتقال شارجرم بخار¬ آب و توازن انرژی یا بصورت آزمایشی با لایسیمترها اندازه¬گیری کرد، اما نصب و استفاده از آن¬ها پیچیده و گران است. در صورت محدویت اطلاعات در منطقه مورد¬ مطالعه، می‌توان از مدل¬های ریاضی بهره جست. تبخیر - تعرق یک پدیده پیچیده و غیرخطی است که به تعامل چندین پارامتر اقلیمی بستگی دارد. شبکه¬های عصبی به دلیل ساختار غیرخطی می¬توانند ویژگی¬های پیچیده¬تری از داده¬های مورد مطالعه را نسبت به تکنیک¬های آماری سنتی تشخیص دهند. به¬علاوه، آن¬ها به اطلاعات دقیق در مورد فرآیندهای فیزیکی سیستم نیاز ندارند. بنابراین، توسعه و اعتبارسنجی مدل¬هایی با تکیه بر داده¬های اقلیمی کمتر برای مناطقی که داده¬های اقلیمی اندازه¬گیری شده در آن¬ها محدود است از اهمیت حیاتی برخوردار است. در دهه¬های اخیر، استفاده از تکنیک¬های هوش مصنوعی برای مدل¬سازی پارامترهای آگروهیدرولوژیکی (مثلا ET) قابل اجرا بوده است. یکی از مسائل مهم در هیدرولوژی تغییر اقلیم است. بنابراین ارزیابی عملکرد مدل‌های هوش مصنوعی در شرایط تغییرات اقلیم نتایج را بهبود می‌بخشد. همچنین حساسیت مدل‌های هوش مصنوعی به مجموعه داده‌های آموزشی رفتار آن‌ها را تغییر می‌دهد، بنابراین می‌توان ایستگاه‌های هواشناسی بیشتری را در هر اقلیم برای افزایش قابلیت اطمینان در نظر گرفت. در تحقیق حاضر از مدل‌های (RF) Random Forest و (BRT) Boosted Regression Trees جهت برآورد تبخیر - تعرق مرجع استفاده شده است. دقت مدل RF بیشتر از مدل BRT بود. از روش‌های مختلف تقسیم‌بندی ایستگاه‌ من‌جمله روش درون‌خوشه، بین‌خوشه و مستقل از خوشه استفاده شد. نتایج نشان داد ابتدا مدل در حالت مستقل از خوشه (ایستگاه‌ مراغه با مقادیر SI و NS به ترتیب 003/0 و 989/0) بهترین دقت رادارد و پس از آن، حالت درون‌خوشه (ایستگاه‌ هریس با مقادیر SI و NS به ترتیب 001/0 و 975/0) و در نهایت حالت بین‌خوشه (ایستگاه‌ مرند برآورده شده با خوشه اول، با مقادیر SI و NS به ترتیب 101/0 و 980/0) بهترین نتایج را ارائه دادند.

متن يادداشت

Abstract: Reference evapotranspiration (ETo) is one of the most important key elements of the hydrological cycle, which has an important role in irrigation management, water balance estimation, surface water runoff modeling, groundwater level fluctuation estimation, water demand modeling, water stress assessment, reservoir management, daily flux modeling and climate change impact assessment. There are many methods to estimate evapotranspiration from the soil surface, which include direct and indirect methods. The evapotranspiration can be measured directly using water vapor heat transfer and energy balance methods or experimentally with lysimeters, but their installation and use are complicated and expensive. In case of limited information in the study area, indirect methodes like mathematical models have been developed. Evapotranspiration is a complex and nonlinear phenomenon that depends on the interaction of several climatic parameters. Neural networks, due to their non-linear structure, can detect more complex features of the studied data than traditional statistical techniques. In addition, they do not require detailed information about the physical processes of the system. Therefore, the development and validation of models relying on less climatic data is of vital importance for regions where the measured climatic data is limited. In recent decades, the use of artificial intelligence techniques to model agro-hydrological parameters (e.g ET) has been applicable. One of the important issues in hydrology is climate change. Therefore, evaluating the performance of artificial intelligence models in climate change conditions improves the results. Also, the sensitivity of AI models to the training dataset changes their behavior, so more weather stations in each climate can be considered to increase reliability. In this research, the Random Forest (RF) and Boosted Regression Trees (BRT) models were used to estimate the reference evapotranspiration. The accuracy of the RF model was higher than that of the BRT model. Various station division methods were used, including intra-cluster, inter-cluster, and cluster-independent methods. The results showed that firstly, the model has the best accuracy in the cluster-independent mode (Maragheh station with SI and NS values of 0.003 and 0.989 respectively) and then the intra-cluster mode (Harris station with SI and NS values of 0.001 and 0.975 respectively) and finally the inter-cluster mode (Marand station estimated with the first cluster, with SI and NS values of 0.101 and 0.980 respectively) provided the best results.

عنوان گونه گون

Modeling and Estimating Reference Evapotranspiration Using Ancillary Data

عنصر شناسه اي

‏کمالی‌نژاد‏،

ساير عناصر نام

سولماز ‏

کد نقش

تهیه کننده

عنصر شناسه اي

‏شيري‏،

عنصر شناسه اي

‏دلیرحسن نیا،

عنصر شناسه اي

‏كريمي،

ساير عناصر نام

جلال ‏

ساير عناصر نام

رضا ‏

ساير عناصر نام

سپيده ‏

تاريخ

استاد راهنما

تاريخ

استاد راهنما

تاريخ

استاد مشاور

عنصر شناسه اي

‏ تبریز