Estimation of Reference Evapotranspiration Amount Using Fuzzy Smrgt, Anfis and Multiple Linear Regression

Abstract

Estimation of evapotranspiration is very important in hydraulic design process and agricultural irrigation management. In this study, average temperature (S), relative humidity (N), wind speed (R), solar radiation (SR) parameters were used to estimate the daily evapotranspiration amount. Penman Monteith method is a standard method recommended by the FAO (Food and Agriculture Organization). According to this method, daily evapotranspiration was estimated (ET0) and Penman Monteith was accepted as the reference. Fuzzy SMRGT (Simple Membership Functions and Fuzzy Rules Generation Technique method) and Adaptive neuro fuzzy inference system (ANFIS) were used to estimate the daily evapotranspiration amount. The obtained values were improved with the results of Multiple Linear Regression (MLR), which is a classical method. The prediction results of the models were compared with the reference evapotranspiration values and it was determined that both models gave stable results.

Keywords

• Evapotranspiration Fuzzy Logic
• Simple Membership Functions and Fuzzy Rules Generation Technique
• Adaptive Neural Fuzzy Inference
• Multiple Linear Regression
• Estimation

Adana İli Referans Evapotranspirasyon Miktarının Bulanık Smrgt, Anfis ve Çoklu Doğrusal Regresyon Kullanılarak Tahmini

Abstract

Hidrolik tasarım süreci ve tarımsal sulama yönetiminde evapotranspirasyonun tahmini oldukça önemlidir. Bu çalışmada günlük evapotranspirasyon miktarı tahmini için ortalama sıcaklık (S), bağıl nem (N), rüzgâr hızı (R), solar radyasyon (SR) parametreleri kullanılmıştır. Penman-Monteith, FAO (Food and Agriculture Organization) tarafından önerilen standart bir metottur. Bu metoda göre günlük evapotranspirasyon tahmini yapılmış (ET0), referans olarak da Penman Monteith yöntemi kabul edilmiştir. Günlük evapotranspirasyon miktarının tahmini için Basit Üyelik Fonksiyonları ve Bulanık Kural Oluşturma Tekniği (Bulanık SMRGT) ve Adaptif Sinirsel Bulanık Çıkarım sistemi (ANFİS) yöntemleri kullanılmıştır. Elde edilen değerler klasik bir yöntem olan Çoklu Doğrusal Regresyon (ÇDR) sonuçları ile karşılaştırılmıştır. Modellerin tahmin sonuçları referans evapotranspirasyon değerleri ile kıyaslanmış ve her iki modelin de kararlı sonuçlar verdiği gözlenmiştir.

Keywords

• Evapotranspirasyon Bulanık Mantık
• Basit Üyelik Fonksiyonları ve Bulanık Kural Oluşturma Tekniği
• Adaptif Sinirsel Bulanık Çıkarım
• Çoklu Doğrusal Regresyon
• Tahmin

Thanks

Bu çalışmada Devlet Su İşleri (DSİ) tarafından ölçülen hidrolojik veriler kullanılmıştır. Yazarlar, hidrolojik verilerin ölçülmesi ve aktarılmasında rol alan DSİ teknik ekibine teşekkür etmektedir.

References

1. [1] Chen D. Daily reference evapotranspiration estimation based onleast squares support vector machines. In: IFIP Advances in Information and Communication Technology 2012 https://doi.org/10. 1007/978-3-642-27278-3_7
2. [2] Kaya YZ, Mamak M, Unes F Evapotranspiration prediction using M5T data mining method. Int J Adv Eng Res Sci. 3. (2016) https:// doi.org/10.22161/ijaers/3.12.40
3. [3] Kaya YZ, Üneş F, Mamak M Estimating evapotranspiration using adaptive neuro-fuzzy inference system and HargreavesSamani method. In: Book of abstracts of the International Conference on Engineering 2016
4. [4] Taşar B., Üneş F., Demirci M., Kaya, YZ. Yapay sinir ağları yöntemi kullanılarak buharlaşma miktarı tahmini. DÜMF Mühendislik Dergisi 2018; 9(1), 543-551.
5. [5] Kılınç, İ. İstanbul’daki Baraj Haznelerinin İşletilmesinde Yapay Sinir Ağları Kullanılması (Doctoral dissertation, Fen Bilimleri Enstitüsü). 2004.
6. [6] Doğan, E., Sabahattin, I., Sandalcı, M. Günlük buharlaşmanın yapay sinir ağları kullanarak tahmin edilmesi. Teknik Dergi 2007; 18(87), 4119-4131.
7. [7] Gümüş V., Şimşek O., Soydan NG., Aköz M. S., Yenigün, K. Adana istasyonunda buharlaşmanın farklı yapay zeka yöntemleri ile tahmini. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi 2016; 7(2), 309-318.
8. [8] Shiri, J., Kisi, O. Comparison of genetic programming with neuro-fuzzy systems for predicting short-term water table depth fluctuations, Computers & Geosciences 2011; 37, 1692-1701.

9. [9] Üneş, F., Demirci, M., Taşar, B., Kaya, Y. Z., & Varçin, H. Estimating Dam Reservoir Level Fluctuations Using Data-Driven Techniques. Polish Journal of Environmental Studies 2019; 28(5).
10. [10] Demirci, M., Unes, F., Kaya, Y. Z., Tasar, B., & Varcin, H. Modeling of Dam Reservoir Volume Using Adaptive Neuro Fuzzy Method. Aerul si Apa. Componente ale Mediului 2018; 145-152.
11. [11] Arslan H, Taşar B, Üneş F, Demirci M, Yılmaz A. Keban Baraj Gölü Seviye Değişiminin ANFİS ve Destek Vektör Makineleri ile Tahmini. Osmaniye Korkut Ata Üniversitesi Fen Bilimleri Enstitüsü Dergisi 2020; 3, 2, 71-77
12. [12] Traore S., Wang YM, Kerh T Artificial neural network for modeling reference evapotranspiration complex process in SudanoSahelian zone. Agric. Water Manag. 2010 ; 97:707–714.
13. [13] Gavili S, Sanikhani H, Kisi O, Mahmoudi MH. Evaluation of several soft computing methods in monthly evapotranspiration modelling. Meteorol. Appl. 2018; 25:128–138.
14. [14] Gocić M, Motamedi S, Shamshirband S, Petković D, Ch S, Hashim R, Arif M. Soft computing approaches for forecasting reference evapotranspiration. Comput. Electron. Agric. 2015; 113:164–173.
15. [15] Bakır, M., Dalgaç, Ş., Ünal, E., Karadağ, F., Demirci, M., Köksal, A. S., Karaaslan, M. High sensitive metamaterial sensor for water treatment centres. Water, Air, & Soil Pollution 2019; 230(12), 1-9.
16. [16] Kumar M, Raghuwanshi NS, Singh R, Wallender WW, Pruitt WO Estimating evapotranspiration using artificial neural network. J. Irrig. Drain. Eng. 2002; 128:224–233.
17. [17] Mirás-Avalos JM, Rubio-Asensio JS, Ramírez-Cuesta JM, MaestreValero JF, Intrigliolo DS (2019) Irrigation-advisor-a decision support system for irrigation of vegetable crops. Water (Switzerland) 11
18. [18] Yihdego Y, Webb JA. Comparison of evaporation rate on open water bodies: energy balance estimate versus measured pan. J Water Clim Chang 2018; 9:9–111.
19. [19] Zanetti SS, Sousa EF, Oliveira VPS, Almeida FT, Bernardo S. Estimating evapotranspiration using artificial neural network and minimum climatological data. J Irrig Drain Eng. 2007; 133:83–89.
20. [20] Jensen ME., Burman RD., Allen RG. Evapotranspiration and Irrigation Water Requirements, American Society of Civil Engineers, New York, 1990.
21. [21] Zadeh Lotfi A. Information and control. Fuzzy sets 1965; 8(3):338-53
22. [22] Toprak ZF, Flow Discharge Modeling in Open Canals Using a New Fuzzy Modeling Technique (SMRGT). CLEAN – Soil, Air, Water 2009; 37(9): 742-752.
23. [23] Jang JS. ANFIS: adaptive-network-based fuzzy inference system. IEEE transactions on systems, man, and cybernetics 1993; 23(3), 665-685.