Comparison of artificial neural networks and empirical equations to estimate daily pan evaporation

Authors


  • Comparaison des réseaux neuronaux et des équations empiriques pour estimer l'évaporation quotidienne.

Abstract

This study consists of two parts. In the first part, daily pan evaporation estimations are achieved by a suitable artificial neural network (ANN) model for the meteorological data recorded from the automated GroWheather meteorological station near Lake Eğirdir, which lies in the Lake District of western Turkey. At this station six meteorological variables are measured simultaneously, namely, air temperature, water temperature, solar radiation, air pressure, wind speed and relative humidity. The ANN architecture has only one output neuron with up to four input neurons representing air and water temperatures, air pressure and solar radiation. Prior to ANN model construction the classical correlation study indicated the insignificance of wind speed and relative humidity in the Eğirdir Lake area. Hence, the final ANN model has three input neurons in the input layer with one at the output layer. The hidden layer neuron number is found to be six after various trial and error model runs. In the second part, daily evaporation values are estimated using classical approaches such as the Priestley–Taylor, Brutsaert–Stricker, Makkink and Hamon methods. The comparison was first made using the original constant values involved in each equation, and then using the calibrated constant values. The results show that when the original constant values were used, the Priestley–Taylor, Brutsaert–Stricker and Makkink methods underestimated evaporation values, but the Hamon method overestimated them. When calibrated constant values were substituted for the original constant values, all four equations improved to estimate evaporation. While the mean square error (MSE) values varied between 6.27 and 49.2 for original constant values, they varied between 3.43 and 4.33 for calibrated constant values. Of the evaporation methods, the Hamon method improved well to estimate evaporation values. It is also noted that the ANN model is superior even to the classical approaches of the Priestley–Taylor, Brutsaert–Stricker, Makkink and Hamon methods. Copyright © 2008 John Wiley & Sons, Ltd.

Abstract

Cette étude se compose de deux parties. Dans la première partie, des évaluations quotidiennes d'évaporation sont réalisées par un modèle approprié de réseau neuronal (ANN) pour les données météorologiques enregistrées à partir de la station météorologique automatisée de GroWheather près du lac Eğirdir qui se situe dans la Région des lacs de la Turquie occidentale. A cette station six variables météorologiques sont mesurées simultanément, à savoir, température de l'air, température de l'eau, rayonnement solaire, pression atmosphérique, vitesse de vent et humidité relative. L'architecture de l'ANN a seulement un neurone en sortie avec jusqu'à quatre neurones en entrée représentant les températures de l'eau et de l'air, la pression atmosphérique et la radiation solaire. Avant la construction du modèle d'ANN l'étude classique de corrélation a indiqué la non-signification de la vitesse du vent et de l'humidité relative dans la région du lac Egirdir. Par conséquent, le modèle final d'ANN a trois neurones en entrée dans la couche d'entrée et un dans la couche de sortie. Le nombre de neurones cachés a été finalement de six après plusieurs passages du modèle. Dans la deuxième partie, les valeurs quotidiennes d'évaporation sont estimées en utilisant des approches classiques comme les méthodes de Priestley–Taylor, de Brutsaert–Stricker, de Makkink et de Hamon. La comparaison a d'abord été faite en utilisant les valeurs d'origine des constantes impliquées dans chaque équation, et puis en utilisant les valeurs calées des constantes. Les résultats prouvent que quand les valeurs d'origine ont été employées, les méthodes de Priestley–Taylor, de Brutsaert–Stricker et de Makkink ont sous-estimé les valeurs d'évaporation, mais les méthodes de Hamon les ont surestimées. Quand les valeurs calées ont été substituées aux valeurs d'origine des constantes, pour les quatre équations pour les estimations de l'évaporation ont été améliorées. Tandis que les valeurs de l'erreur moyenne quadratique varient de 6.27 à 49.2 pour les valeurs d'origine des constantes, elles ont varié de 3.43 à 4.33 pour les valeurs calées par le modèle. Parmi les méthodes d'évaporation, la méthode de Hamon s'est bien améliorée pour estimer des valeurs d'évaporation. On note également que le modèle d'ANN est supérieur même aux approches classiques Priestley–Taylor, aux méthodes de Brutsaert–Stricker, de Makkink et de Hamon. Copyright © 2008 John Wiley & Sons, Ltd.

Ancillary