توسعه یک سیستم خبره برای پیش بینی تبخیر و تعرق مرجع روزانه با استفاده از ماشین بردار پشتیبان (svm) و مقایسه نتایج آن با anfis، ann و روش های تجربی
چکیده
پیش بینی تبخیر-تعرق تقریبا در هر زمینه ای از مهندسی منابع آب مانند تامین و توزیع آب، مدیریت آبیاری، طراحی سیستم های آبیاری، کشاورزی و عملیات هیدرولوژیکی مهم می باشد. به دلیل اثرات متقابل بین مولفه های سیستم آب، خاک و گیاه، شاید بتوان گفت تبخیر- تعرق مشکل ترین پدیده برای برآورد در بین مولفه های چرخه هیدرولوژیکی می باشد. بدین منظور در تحقیق حاضر از داده های 9 ایستگاه هواشناسی مربوط به سال های 2003-1982میلادی، واقع در سه اقلیم بسیار خشک (ایستگاه های کرمان، زاهدان و اصفهان)، خشک و نیمه خشک (ایستگاه های همدان، مشهد و شیراز) و مرطوب (ایستگاه های رامسر، رشت و نوشهر) برای توسعه مدل ماشین بردار پشتیبان جهت تخمین تبخیر-تعرق مرجع استفاده گردید. نتایج حاصل از مدل ماشین بردار پشتیبان با سه تابع هسته ای rbf، خطی و چندجمله ای که در این تحقیق توسعه یافته است با نتایج روش های دیگر همچون: شبکه های عصبی مصنوعی ، سیستم استنتاج تطبیقی عصبی فازی، روش های تجربی فائو-بلانی-کریدل، جنسن- هیز اصلاح شده و هارگریوز- سامانی بر اساس مبنای مقایسه ای روش استاندارد فائو-پنمن-مانتیث، مقایسه گردید. برای انتخاب بهترین ترکیب پارامترهای ورودی به مدل های شبیه ساز به جای استفاده از روش کلاسیک سعی و خطا در این تحقیق از تکنیک جدید آزمون گاما استفاده شد و بهترین ترکیبات در مدلسازی تبخیر-تعرق مرجع در ایستگاه های مورد بررسی، تعیین گردید. طبق نتایج در اقلیم های بسیار خشک، خشک- نیمه خشک و مرطوب به ترتیب روش های فائو-بلانی-کریدل، جنسن-هیز اصلاح شده و هارگریوز سامانی به عنوان روش های بهتر انتخاب شدند. نتایج مدل ماشین بردار پشتیبان بیانگر برتری تابع هسته ای rbf نسبت به دو تابع چندجمله ای و خطی در تمامی اقلیم های مورد بررسی بود. مقایسه نتایج مدل svm با ورودی های یکسان با روش های تجربی ارجحیت آن را نسبت به روش های تجربی نشان داد. در اکثر ایستگاه ها، رتبه بندی مدل های مورد استفاده در پیش بینی eto برای ترکیبات انتخاب شده به ترتیب بصورت svm-rbf، svm-polynomial، anfis، ann و svm-linear بود. علاوه بر این توزیع خطای پیش بینی ها نشان داد که در اکثر ایستگاه ها، مدل svm-rbf خطای کمتری را ایجاد کرد و روند هموارتری داشت که این امر مطلوبیت مدل svm در پیش بینی eto را نشان می دهد. به منظور هرچه کاربردی تر نمودن مدل svm از یک سال داده های لایسیمتری موجود در کرمان استفاده شد و مدل svm با استفاده از آنها آموزش یافته و نتایج آن با سایر روش ها مقایسه شد. در این مورد نیز مدل svm علیرغم محدود بودن داده های لایسیمتری، دقت بهتری نسبت به سایر روش ها نشان داده است. در انتهای تحقیق، تحلیل عدم قطعیت مونت-کارلو نتایج مدل های مختلف مورد استفاده در این تحقیق نیز انجام شد که طبق نتایج، پیش بینی های مدل های svm عدم قطعیت کمتری نسبت به مدل های ann و anfis دیگر نشان داده است.