نوع مقاله : پژوهشی

نویسندگان

1 دانشکده علوم و فنون نوین دانشگاه تهران

2 استاد گروه برنامه ریزی مدیریت و آموزش محیط زیست، دانشکده ی محیط زیست، دانشگاه تهران، تهران، ایران.

3 دانشجوی کارشناسی ارشد، دانشکده ی علوم و فنون نوین، دانشگاه تهران، تهران، ایران.

چکیده

چکیده
تبخیر به عنوان یکی از پارامترهای طبیعی به علت نقش مهمی که در خروج آب از دسترس بشر دارد، همواره مورد توجه کارشناسان و محققان بوده است. در این پژوهش سعی شده است تا با بکارگیری مدل شبکه­ ی عصبی مصنوعی در برآورد تبخیر از سطح دریاچه­ ی سد میناب، میزان دقت مدل مورد ارزیابی قرار گیرد. برای بررسی روند تغییرات پارامترهای مؤثر بر تبخیر برای اطلاعات 19 ساله‌ موجود، با استفاده از رگرسیون غیرخطی بهترین برازش از بین نقاط موجود برای داده‌ها ترسیم و روند کلی تغییرات پارامترهای مؤثر بر تبخیر مشخص شده است. همچنین برای مدلسازی تبخیر با استفاده از شبکه­ ی عصبی مصنوعی از آمار 19 ساله، از سال‌ 1374 تا 1392 استفاده و بهترین ساختار برای محاسبه‌ی میزان تبخیر از سطح دریاچه­ ی سد میناب انتخاب شده است. در این ساختار لایه­ ی اول و دوم دارای 5 نورون می‌باشند که با 1000 تکرار برای محاسبه­ ی آن، بهترین نتیجه به دست آمد. ضرایب آماری به دست آمده از تحلیل با استفاده از شبکه­ ی عصبی مصنوعی در انتخاب بهترین ساختارمورد توجه قرار گرفت که در این ساختار ضریب همبستگی با مقدار 8941/0 دارای بیشترین مقدار در بین آزمون‌های دیگر است و مقادیر خطا برای داده­های آموزش و آزمایش نیز به ترتیب برابر با 0011/0 و 0082/0 است که پس از این ساختار، ساختارهای ANN(3,7,1)، ANN (4,10,1)، ANN(4,11,1)، ANN(5,3,1) دارای مقادیر ضریب همبستگی و خطای قابل قبولی در تعیین مقدار تبخیر از دریاچه­ی سد میناب می­باشند.

تازه های تحقیق

-

کلیدواژه‌ها

عنوان مقاله [English]

The Estimation of Evaporation from Reservoirs Using the ANN Model (Case Study: Minab Dam)

نویسندگان [English]

  • Mohammad Hossein Jahangir 1
  • Ahmad Nohegar 2
  • Keyvan Soltani 3

1 - Assistant Professor, Renewable Energy Department of the Environment, Faculty of New Sciences and Technologies, University of Tehran (Corresponding Author),

2 - Professor, Education and Environmental Management Planning, Faculty of Environment, University of Tehran .

3 M.Sc. Student, Faculty of New Sciences and Technologies, University of Tehran

چکیده [English]

Introduction
The impact of drought on different parts is not the same. In a situation where different regions of the country have experienced a significant decline in rainfall, its impact on water resources is still unclear or the decline of surface water resources has no effect on agricultural production (Satari et al., 1395).
Increasing or decreasing in hydrological time series can be described by changes in precipitation factors, evaporation, temperature, and the like (Nourani, 1395).  Evaporation modeling from the reservoir level is important to predict the evaporation rate from the surface and the amount of water lost through evaporation and evacuated water and to have a proper planning to reduce the amount of this evaporation and its economic estimation. The heavy volume of computations and their time-consuming performance, especially in phenomena such as sudden floods, cause many financial losses and annoyances every year. One of these utilized and intelligent tools is artificial neural network which reaches acceptable output by establishing appropriate relationships between input variables in the shortest possible time and establishes the relationship with the output tool and provides the best possible result to

 

experts. (Rajaei et al., 2010). In this regard, studies have been conducted in the world, including the study of the effect of different compounds of climatic parameters on the evaporation losses of the dam reservoir (Deswal & Pal, 2008).
Methodology
- Meteorological data routing nonlinear
Before proceeding to discuss the modeling and selecting the optimal model for the regions under discussion, the best nonlinear fittings are [1]obtained from the parameters affecting evaporation. For the study area, the fitting diagram for temperature data (oC), rainfall (mm), wind speed (Km/h), lake surface area (Km2) and evaporation (mm) were used, which resulted in the results and relationships for each of them.
- Introducing Artificial Neural Network
An artificial neural network consists of three main layers of the input, the hidden (middle layer) and the output layers. The layer where the results of the model analysis are generated and the modeling is done is the output layer of the model (Fig. 1). The middle layer acts as the processor of the model and the processor nodes are at this stage (Traore et al., 2010).
 
Fig.1 Artificial Neural Network structure with input, output and intermediate (hidden) layers




Results
- Artificial Neural Network Modeling for Minab Dam
In order to use the artificial neural network, data from the Minab Dam was estimated from the data of the years 1998 to 2014 in MATLAB software. The best structures for the neural network are given in Table 1:
Table.1 Error and correlation coefficient obtained by artificial neural network





No


correlation coefficient


MSE  (Test)


MSE  (Learn)


Neural network structure




1


0.8849


0.001


0.0016


ANN(3,7,1)




2


0.8849


0.00092


0.0014


ANN(4,10,1)




3


0.89


0.00088


0.0015


ANN(4,11,1)





- Training data
For modeling of the neural network, 80% of the data was randomly selected by the MATLAB software. One of the most important diagrams used in neural network modeling is the actual values graph and evapotranspiration values using artificial neural network for training data (Fig. 2).
 
Fig.2 Diagram of observation data and modeling at training stage, ANN [5,5,1]
- Test data
The remaining 20% of the data was also used to test the model obtained by the artificial neural network (Fig. 3).

 
 
Fig.3 Diagram of observation data and modeling at testing stage, ANN [5,5,1]
 Discussion and conclusion
Evaporation, as one of the natural parameters, has always been of interest to experts and researchers due to the high role that human has in reaching the outflow of water. In this research, we tried to evaluate the accuracy of this model by using the artificial neural network model in estimating evaporation from the lake level of the Minab Dam. In order to investigate the evolution of the evaporation parameters for the 19-year data, the best-fit nonlinear regression was drawn and the general trend of evolution of the effective parameters was studied. For modeling of the evaporation using artificial neural network, 19-year-old statistics between the years 1995 and 2013 were used.
The best structure for estimating evaporation from the level of Minab Dam is selected in this paper. In this structure, the first and second layers have 5 neurons with 1000 replications to get the best result. The statistical coefficients obtained from the analysis using artificial neural network were considered in selecting the best structure. In this structure, the correlation coefficient with the value of 0.8941 had the highest value and the error values of training and testing the data were respectively 0.0011 and 0.0082. After this structures, ANN (3, 7,1), ANN (4,10,1), ANN (4,11,1), ANN (5,3,1) had acceptable correlation coefficient values and error in determining the amount of evaporation from the Minab dam.



[1]- MSc Student, Faculty of New Sciences and Technologies, University of Tehran.  

کلیدواژه‌ها [English]

  • Keywords: ANN
  • surface evaporation
  • non-linear routing
  • correlation coefficient
  • Minab dam
منابع
- باباعلی حمیدرضا و رضا دهقانی (1396)، پیش‌بینی دبی سیلابی با استفاده از شبکه­ ی عصبی موجک، مجله­ ی هیدروژئومورفولوژی، دوره­ ی 3، شماره­ ی 11، صص 168-149.
- بابامیری، امید و یعقوب دین‌پژوه  (1395)، مقایسه و ارزیابی بیست روش تخمین تبخیر-تعرق گیاه مرجع مبتنی بر سه دسته­ ی کلی دمای هوا، تابش خورشید و انتقال جرم در حوضه­ ی آبریز دریاچه­ ی ارومیه، نشریه­ ی علوم آب و خاک- علوم و فنون کشاورزی و منابع طبیعی، دانشگاه اصفهان، 20 (77)، صص 145-161.‎
- ستاری، محمدتقی؛ میرعباسی نجف­آبادی، رسول و مسعود علیمحمدی (1395)، کاربرد مدل درختی M5در پیش‌بینی خشکسالی (مطالعه­ ی‌ موردی: مراغه، ایران)، مجله­ ی هیدروژئومورفولوژی، دوره­ ی 2، شماره­ ی 7، صص 159-141.
- ندیری، عطاالله و سعید یوسف‌زاده (1396)، مقایسه­ی‌ کارآیی مدل‌های شبکه‌ عصبی مصنوعی، منطق فازی و سیستم استنتاج نرو- فازی تطبیقی در تخمین هدایت هیدرولیکی آبخوان دشت مراغه-بناب، مجله ­ی هیدروژئومورفولوژی، دوره­ ی 3، شماره­ ی 10، صص 21-40.
- نورانی، وحید؛ آزاد، نرگس؛ قاسم­زاده، مهسا و الناز شرقی (1395)، بررسی تأثیر پارامترهای هیدروکلیماتولوژیکی آجی­چای بر تغییرات تراز آب دریاچه­ ی ارومیه با استفاده از مدل ترکیبی موجک من­کندال، مجله­ ی هیدروژئومورفولوژی، دوره ­ی 2، شماره­ ی 7، صص 159-141.
-Deswal, Surinder, and Mahesh Pal. (2008), Artificial neural network based modeling of evaporation losses in reservoirs, International Journal of Mathematical, Physical and Engineering Sciences, No. 4, PP.177-181.
-Ma, Lili; Yun Wu, Jianwei Ji and Chaoxing He. )2011(, The prediction model for soil water evaporation based on BP neural network, Conference on Intelligent Computation Technology and Automation (ICICTA), International, Vol. 2, PP. 276-280.
-Felix Klein.(1979), Development of mathematics in the 19th century, Mathsci Press Brookline, Translated by M. Ackerman from Vorlesungen uber die Entwicklung der Matematik im 19 Jahrhundert, Springer, Berlin.
-Rajaee, T., Mirbagheri, S. A., Nourani, V., and Alikhani, A. (2010), Prediction of daily suspended sediment load using wavelet and neurofuzzy combined model, International Journal of Environmental Science & Technology, 7, No.1, PP. 93-110.
-Reddy, T. Agami. (2007), Application of a generic evaluation methodology to assess four different chiller FDD methods (RP-1275), HVAC&R Research Vol.13, No. 5, PP. 711-729.
-Tabari, H., Marofi, S., and Sabziparvar, A.A. (2010), Estimation of daily pan evaporation using artificial neural network and multivariate non-linear regression, Irrigation Science, Vol.28, No.5, PP. 399-406.
-Tabesh, M., and Dini, M. (2010), Forecasting daily urban water demand using artificial neural networks, a case study of Tehran urban water, J. of Water and Wastewater, Vol. 21, No.1, PP. 84-95. (In Persian)
-Thomas, George B., Jr. Finney, Ross L.(1996), Calculus and Analytic Geometry (9th ed.), Addison Wesley, ISBN0-201-53174-7.
-Traore, Seydou, Yu-Min Wang, and Tienfuan Kerh.(2010), Artificial neural network for modeling reference evapotranspiration complex process in Sudano-Sahelian zone, Agricultural Water Management , Vol.97, No. 5, PP. 707-714.
-Zoqi, M.J., and Saeedi, M. (2011), Modeling leachate generation using artificial neural networks, J. of Water and Wastewater, Vol. 22, No.1, PP. 76-84.