تخمین تبخیر و تعرق روزانه گیاه مرجع با استفاده از سیستم¬های هوش مصنوعی (ANN و ANFIS) و معادله¬های تجربی

Abstract

فرآیند تبخیر و تعرق به عنوان یکی از مؤلفه­های اصلی چرخه هیدرولوژیک دارای اهمیت فراوانی در مدیریت و توسعه منابع آب و نیز برنامه­ریزی آبیاری می­باشد. در مطالعه حاضر به بررسی قابلیت سیستم استنتاج عصبی – فازی تطبیقی در بهبود تخمین میزان تبخیر و تعرق روزانه گیاه مرجع (<em>ET_o</em>) پرداخته شد. داده­های اقلیمی بکار گرفته شده در این مطالعه، شامل دمای هوا، تشعشع خورشیدی، سرعت باد و رطوبت نسبی می­باشد که از دو ایستگاه هواشناسی مجهز به دستگاه­های اندازه­گیری الکترونیکی (سالواتیرا و زامبرانا) در کشور اسپانیا اخذ گردیده و به عنوان ورودی­های مدل عصبی– فازی به منظور تخمین میزان <em>ET_o</em> بر اساس معادله پنمن- فائو- مونتیث مورد استفاده قرار گرفتند. نتایج حاصل از مدل­های عصبی– فازی و شبکه عصبی مصنوعی و نیز معادله­های تجربی هارگریوز-سامانی، ریتچی، مک کینگ و تورک در منطقه مقایسه شدند. حاصل تحقیق بیانگر دقت بالای مدل های عصبی- فازی با مقادیر <em>RMSE</em> بین 276/0 تا 437/0میلی­متر در تخمین میزان تبخیر و تعرق (نیاز آبی) روزانه گیاه مرجع می­باشد. مدل­های شبکه عصبی مصنوعی با مقادیر <em>RMSE</em> بین 298/0 تا 5/12میلی­متر نیز عملکرد بهتری نسبت به معادله های تجربی نشان دادند.