دوره 9، شماره 18 - ( پاییز و زمستان 1397 )
جلد 9 شماره 18 صفحات 167-157 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Samadianfard S, Panahi S. (2019). Estimating Daily Reference Evapotranspiration using Data Mining Methods of Support Vector Regression and M5 Model Tree. J Watershed Manage Res. 9(18), 157-167. doi:10.29252/jwmr.9.18.157
URL: http://jwmr.sanru.ac.ir/article-1-872-fa.html
URL: http://jwmr.sanru.ac.ir/article-1-872-fa.html
صمدیان فرد سعید، پناهی سولماز. برآورد تبخیر- تعرق مرجع روزانه با استفاده از روش های داده کاوی رگرسیون بردار پشتیبان و مدل درختی M5
پژوهشنامه مديريت حوزه آبخيز 1397; 9 (18) :167-157 10.29252/jwmr.9.18.157
1- دانشگاه تبریز
چکیده: (4155 مشاهده)
تبخیر و تعرق یکی از اجزای اصلی چرخه هیدرولوژی است و تعیین صحیح آن برای بسیاری از مطالعات از قبیل توازن هیدرولوژیکی آب، طراحی و مدیریت سیستم‌های آبیاری، شبیه‌سازی میزان محصول و طراحی و مدیریت منابع آب از درجه اهمیت بالایی برخوردار است. خاصیت غیرخطی، عدم قطعیت ذاتی و نیاز به اطلاعات متنوع اقلیمی در برآورد تبخیر و تعرق از دلایلی بوده‌اند که باعث شده پژوهشگران به سوی روشهای داده کاوی همچون درخت تصمیم (M5) و رگرسیون بردار پشتیبان (SVR) روی آورند. در تحقیق حاضر دقت روش های مذکور در تخمین تبخیر و تعرق گیاه مرجع در مقایسه با روشهای تجربی هارگریوز و تورنت وایت مورد مطالعه قرار گرفته است. بدین منظور، با استفاده از سری داده های هواشناسی سال‌های 1394-1371 ایستگاه سینوپتیک تبریز، ابتدا مقادیر تبخیر و تعرق روزانه گیاه مرجع از روش استاندارد فائو- پنمن- مونتیث محاسبه گردید. سپس با استفاده از این مقادیر به عنوان خروجی‌های هدف، 17 سناریو مختلف از داده‌های هواشناسی که ترکیبی از حداقل داده شامل یک پارامتر تا حداکثر شش پارامتر هواشناسی بودند، توسط روش های مذکور ارزیابی گردید. در نهایت قابلیت روش های SVR وM5 در برآورد تبخیر و تعرق گیاه مرجع با استفاده از داده‌های صحت سنجی مورد بررسی قرار گرفت. نتایج بررسی های آماری و دیاگرام تیلور نشان دادند که روش های SVR و M5 در حالت در نظر گرفتن تمامی پارامترهای هواشناسی به ترتیب با دارا بودن جذر میانگین مربعات خطای 398/0 و 411/0 در مقایسه با روشهای تجربی هارگریوز و تورنت وایت، نتایج بهتری در برآورد تبخیر و تعرق گیاه داشته اند.
فهرست منابع
1. Alberg, D., M. Last and A. Kandel. 2012. Knowledge discovery in data streams with regression tree methods. Wiley Interdisciplinary Reviews Data Mining Knowledge Discovery, 2: 69-78. [DOI:10.1002/widm.51]
2. Alikhanzadeh, A. 2006. Data minig. Olome Rayaneh, 340 pp (In Persian).
3. Alizadeh, A. 2002. Irrigation System Design. Ferdowsi University of Mashhad, 450 pp (In Persian).
4. Alizadeh, A. and Gh. Kamali 2008. Crops Water Requirements. Emam reza University of Mashhad, Iran, 227 pp (In Persian).
5. Allen, R.G., L.S. Pereira, D. Raes and M. Smith. 1998. Crop Evapotranspiration. Guidelines for Computing Crop Water Requirements. Irrigation and Drainage Paper No. 56, FAO, Rome, Italy, 300 pp.
6. Arun Raj, V.E. and P.G. Jairaj. 2014. Reference evapotranspiration modelliing using support vector regression. International Journal of Scientific & Engineering Research, 5(7): 2229-5518.
7. Babamiri, O., H. Nowzari and S. Maroofi. 2017. Potential Evapotranspiration Estimation using Stochastic Time Series Models (Case Study: Tabriz), Journal of Watershed Management Research, 8(15): 137-146.
8. Bhattacharya, B. and D.P. Solomatine. 2004. Neural networks and M5 model trees in modeling water level-discharge relationship. Department of Hydroinformatics and Knowledge Management, NESCO-IHE Institute for Water Education, P.O. Box 3015, 2601 DA Delft, The Netherlands. [DOI:10.1016/j.neucom.2004.04.016]
9. Boser, B.E., Guyon, I.M. and V.N. Vapnik. 1992. A training algorithm for optimal margin classifiers. In D.Haussler, editor, 5th Annual ACM Workshop on COLT, pages 144-152, Pittsburgh, PA. [DOI:10.1145/130385.130401]
10. Chiew, F.H.S., N.N. Kamaladassa, H.M. Malano and T.A. MacMahon. 1995. Penman-Monteith, FAO-24 reference crop evapotranspiration and class-A pan data in Australia. Agricultural Water management, 28: 9-21. [DOI:10.1016/0378-3774(95)01172-F]
11. Dastorani, M.T., S. Poormohammadi, A.R. Massah Bavani and M.H. Rahimian. Evapotranspiration Condition in Yazd Station under Uncertainties of Different GHG Emission Scenarios and ET Estimation Models, Journal of Watershed Management Research, 1(2): 1-20
12. Fallahi, M.R., H. Varvani and S. Goliyan. 2012. Precipitation forecasting using regression tree model to flood control. 5th International conference on watershed & soil and water management, Kerman, Iran (In Persian).
13. Gleckler, P.J., K.E. Taylor and C. Doutriaux. 2008. Performance metrics for climate models. Journal of Geophysical Research: Atmospheres, 113(D6): 1-20. [DOI:10.1029/2007JD008972]
14. Jensen, M.E., R.D. Burman and R.G. Allen. 1990. Evapotranspiration and irrigation water requirements. ASCE Manuals and Report on Engineering Practices No. 70. American Society of Civil Engineers, New York, 360 pp.
15. Kisi, O. and M. Cimen. 2011. A wavelet-support vector machine conjunction model for monthly streamflow forecasting. Journal of Hydrology, 399: 132-140. [DOI:10.1016/j.jhydrol.2010.12.041]
16. Kumar, M., N.S. Raghuwanshi, R. Singh, W.W. Wallender and W.O. Pruitt. 2002. Estimating evapotranspiration using artificial neural network. Journal of Irrigation and Drainage Engineering-ASCE, 128(4): 224-233. [DOI:10.1061/(ASCE)0733-9437(2002)128:4(224)]
17. Manikumari, N. and G. Vinodhini. 2016. Regression models for predicting reference evapotranspiration. International Journal of Engineering Trends and Technology (IJETT), 38(3): 134-139. [DOI:10.14445/22315381/IJETT-V38P224]
18. Mirhashemi, H. and M. Panahi. 2015. Evaluation of a data mining model in predicting of average temperature and potential evapotranspiration month for the next month in the synoptic weather station Yazd. Biological Forum- An International Journal, 7(1): 1469-1473
19. Naderi, N. and A. Alizadeh. 1998. Determining reference crop evapotranspiration in Mashad and comparing with empirical methods, MSc Thesis, Ferdowsi University of Mashhad. 110 pp (In Persian).
20. Pal, M. 2006. M5 model tree for land cover classification. International Journal of Remote Sensing, 27(4): 825-831. [DOI:10.1080/01431160500256531]
21. Pal, M. and S. Deswal. 2009. M5 model tree based modeling of reference evapotranspiration. Hydrological Processes. 23:1437-1443. [DOI:10.1002/hyp.7266]
22. Panahi S., M. Karbasi and J. Nikbakht. 2016. Forecasting of reference evapotranspiration using MLP, RBF and SVM neural networks. Journal of Environment and Water Engineering, 2(1): 51-63
23. Quinlan, J.R. 1992. Learning with continuous classes. In: Proceedings of Australian Joint Conference on Artificial Intelligence (Singapore: World Scientific Press), pp: 343-348.
24. Samadianfard, S. and E. Asadi. 2017. Prediction of SPI drought index using support vector and multiple linear regressions. Journal of Water and Soil Resources Conservation, 6(4): 1-16 (In Persian).
25. Sattari, M.T., V. Ahmadifar and R. Pashapourar. 2014. M5 tree model based modeling of evaporation losses in Eleviyan reservoir and comparison with empirical equations. Irrigation & Water Engineering. 5(17): 110-122 (In Persian).
26. Sattari, M.T., F. Nahrein and V. Azimi. 2014. M5 model trees and neural networks based prediction of daily ET0 (Case Study: Bonab Station). Irrigation and drainage, 1: 104-113 (In Persian).
27. Sayyadi, H., A. Oladghaffari, A. Faalian and A.A. Sadraddini. 2009. Comparison of RBF and MLP neural networks performance of reference crop evapotranspiration, Water and Soil Science, 19(1): 1-12 (In Persian).
28. Soltani, A., S.M. Mirlatifi and H. Dehghanisanij. 2012. Estimating Reference Evapotranspiration Using Limited Weather Data under Different Climatic Conditions. Journal of Water and Soil, 26(1): 139-149 (In Persian).
29. Taylor, K.E. 2001. Summarizing multiple aspects of model performance in a single diagram. Journal of Geophysical Research: Atmospheres, 106: 7183-7192. [DOI:10.1029/2000JD900719]
30. Trajkovic, S. 2007. Hargreaves versus Penman-Monteith under humid conditions. Journal of Irrigation and Drainage Engineering-ASCE, 133(1): 38-42. [DOI:10.1061/(ASCE)0733-9437(2007)133:1(38)]
31. Trajkovic, S. and S. Kolakovic. 2009. Estimating reference evapotranspiration using limited weather data. Journal of Irrigation and Drainage Engineering-ASCE, 135(4): 443-449. [DOI:10.1061/(ASCE)IR.1943-4774.0000094]
32. Vapnik, V.N. 1995. The Nature of Statistical Learning Theory. Springer, New York. 314 pp. [DOI:10.1007/978-1-4757-2440-0]
33. Vapnik, V.N. 1998. Statistical Learning Theory. Wiley, New York. 736 pp.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
