مدل سازی تبخیرتعرق با استفاده از رگرسیون خطی، غیرخطی و شبکه عصبی مصنوعی در گلخانه (مطالعه موردی گیاه مرجع، خیار و گوجه‌فرنگی)

آب و خاک

مقاله 13، دوره 30، شماره 5 - شماره پیاپی 49، آذر 1395، صفحه 1334-1346   

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jsw.v0i0.31432

نویسندگان

وحید رضا وردی نژاد^* ؛ مریم شبانیان اصل؛ سینا بشارت

دانشگاه ارومیه

چکیده

در این مطالعه تبخیرتعرق روزانه گیاه مرجع، گوجه فرنگی و خیار گلخانه ای به روش لایسیمتری در منطقه ارومیه اندازه گیری شد. برای مدل-سازی تبخیرتعرق در گلخانه، انواع مدل های رگرسیون های خطی، غیرخطی و شبکه های عصبی مصنوعی در نظر گرفته شد. برای این منظور پارامترهای اقلیمی مؤثر بر فرایند تبخیرتعرق شامل دما (T)، رطوبت نسبی (RH)، فشار هوا (P)، کمبود فشار بخار اشباع (VPD)، تشعشع داخل گلخانه (SR)، تعداد روز پس از کشت (N) اندازه گیری و در نظر گرفته شدند. براساس نتایج، تابع نمایی سه متغیره از VPD، RH و SR با RMSE برابر 378/0 میلیمتر بر روز، دقیق ترین مدل رگرسیون در تخمین تبخیرتعرق مرجع به دست آمد. RMSE مدل بهینه شبکه عصبی مصنوعی در تخمین تبخیرتعرق مرجع برای داده های آزمایش و آزمون به ترتیب 089/0 و 364/0 میلیمتر بر روز به دست آمد. در تخمین تبخیرتعرق خیار، عملکرد مدل های لگاریتمی و نمایی به ویژه در تعداد متغیر مستقل زیاد، مناسب بود و دقیق ترین مدل رگرسیون مربوط به تابع نمایی با پنج متغیر N، VPD، T، RH و SR با RMSE برابر با 353/0 میلیمتر بر روز به دست آمد. همچنین در تخمین تبخیرتعرق گوجه فرنگی، دقیق ترین عملکرد مدلهای رگرسیون برای تابع نمایی چهار متغیره از N، VPD، RH و SR با RMSE برابر 329/0 میلی‌متر بر روز به دست آمد. بهترین عملکرد شبکه عصبی مصنوعی برای تخمین تبخیرتعرق هر دو محصول خیار و گوجه‌فرنگی، با پنج پارامتر ورودی VPD، T، N، RH و SR به دست آمد. مقادیر RMSE داده‌های آزمون تبخیرتعرق خیار و گوجه‌فرنگی به ترتیب 24/0 و 26/0 میلی‌متر بر روز به دست آمد که نشان دهنده‌ی عملکرد دقیق تر شبکه های عصبی در مقایسه با رگرسیون خطی و غیرخطی می باشد.

کلیدواژه‌ها

ارزیابی عملکرد؛ رگرسیون چندمتغیره؛ متغیرهای هواشناسی

مراجع

1- Abedi-Koupai J., Eslamian S.S. and Zareiyan M.J. 2011. Measurement and modeling of water requirement and crop coefficient for cucumber, tomato and pepper using microlysimeter in greenhouse. journal of science and technology of greenhouse culture, 2(7): 51-64. (in Persian with English abstract (

2- Abghari H., Ahmadi H., Besharat S. and Rezaverdinejad V. 2012. Prediction of daily pan evaporation using Wavelet Neural Networks, Water Resources Management, 26: 3639-3652.

3- Allen R.G., Pereira L.S., Raes D. and Smith M. 1998. Crop evapotranspiration, guidelines for computing crop water requirements. Irrigation and Drainage Paper 56, FAO, Rome, Italy, 300 pp.

4- Alizadeh A. 2004. Water, soil and plant relationship. Ferdowsi University of Mashhad, Mashhad, 470 pp.

5- Amiri M.J., Abedi-Koupai J. and Eslamian S.S. 2011. Evaluation of the performance of evaporation pans in greenhouse environment. journal of science and technology of greenhouse culture, 2(5): 63-73. (in Persian with English abstract)

6- Assari M., Kouchakzadeh M., Shahabifar M. and Bayat K. 2009. Estimation of reference evapotranspiration in greenhouse by artificial neural network. Journal of water and soil conservation, 16(1): 107-121. (in Persian with English abstract)

7- Babtista J.F., Bailey B.J. and Meneses J.F. 2005. Measuring and modeling transpiration versus evapotranspiration of a tomato crop grown on soil in a Mediterranean greenhouse. Acta Horticulturae, 691: 313 – 319.

8- Bayat Varkeshi M., Zare Abyaneh H., Marofi S., Sabziparvar A.A. and Soltani F. 2009. Simulation of reference evapotranspiration using Artificial neural method and empirical methods and comparison with experimental lysimeter data in cold semi-arid climate of Hamedan. Journal of water and soil conservation, 16(4): 79-100. (in Persian with English abstract)

9- Ehsani M., Hayati B., Dashty G., Gahremanzadeh M. and Hossenzad J. 2011. Water economic value estimation in Barley production at Qazvin plane irrigation network. Water and soil science (Agricultural science), 22 (1): 187-200. (in Persian with English abstract)

10- Fathalian F., Moazenzadeh R. and Nouri Emamzadei M.R. 2009. Evaluation and prediction of greenhouse Cucumber evapotranspiration at different growth stages. Journal of water and soil, 23(4): 16-27. (in Persian with English abstract)

11- Fathi P. and Koochakzadeh M. 2004. Estimation of cucumber evapotranspiration in greenhouse by Artificial Neural Network. Journal of water and soil science, 18 (2): 212-221. (in Persian with English abstract)

12- Fazilah W.F. 2009. Evapotranspiration models in greenhouse. M.Sc. thesis, Wageningen University, the Netherlands.

13- Fu G. 2005. Modeling water availability and its response to climate change for the Spokane river watershed. PhD dissertation. Washington state university, Department of Biological Systems Engineering.

14- Harmanto V.M., Salokhe M.S. and Babel H.J. 2005. Water requirement of drip irrigated tomatoes grown in greenhouse in tropical environment. Agricultural water management, 71: 225-242.

15- Heydari N., Entesari M.R., Kheyrabi J., Farshi A.A., Vaziri ZH. and Alaei M. 2006. Water use efficiency in greenhouse production. Iranian National Committee on Irrigation and Drainage (IRNCID). 180 pp. (in Persian with English abstract)

16- Jain S.K., Das A. and Srivastava D.K. 1999. Application of ANN for reservoir inflow prediction and operation. Journal of water resources planning and management, 125(5): 263-271.

17- Karimi S., Kisi O., Shiri J. and Makarynskyy O. 2013. Neuro-fuzzy and neural network techniques for forecasting sea level in Darwin Harbor, Australia. Computers and Geosciences, 52: 50-59.

18- Karimi N., Nazemi A.H., Sadraddini A.A., farsadizadeh D., Hoseinzade Dalir A. and Dehghani F. 2007. Water requirement of greemhouse grown cucumber in Yazd climate. Agricultural research: soil water and plant, 7 (4): 151-160. (in Persian with English abstract)

19- McCuen R.H. 1974. A sensitivity and error analysis of procedures used for estimating evapotranspiration. Water Resources Bulletin, 10(3): 486-498.

20- Mujahed H. 2007. Estimation of crop water requirement for Cucumber (Cucumis sativus) grown in green houses. M.Sc. thesis, College of Graduate Studies and Academic Research. Hebron University, Palestine.

21- Rezaverdinejad V., Rezaie H., Ababaie B., Ahmadi H. and Behmanesh J. 2012. Application SWAP agrohydrological model to predict crop yield, soil water and solute transport with shallow groundwater condition. 8th International Soil Science Congress Çeme-Izmir, Turkey.

22- Zare Abyaneh H., Bayat Varkeshi M., Marofi S. and Amiri Chayjan R. 2010. evaluation of artificial neural network and adaptive neuro fuzzy inference system in decreasing of reference evapotranspiration parameters. Journal of water and soil, 24 (2): 297-305. (in Persian with English abstract)