K. Ahmadzadeh Gharah Gwiz; S.M. Mirlatifi; K. Mohammadi
Abstract
چکیده
تبخیر-تعرق یکی از اجزای اصلی چرخه هیدرولوژی و تخمین نیاز آبیاری است. در سال های اخیر استفاده از سیستم های هوشمند برای برآورد پدیده های هیدرولوژی افزایش چشمگیری ...
Read More
چکیده
تبخیر-تعرق یکی از اجزای اصلی چرخه هیدرولوژی و تخمین نیاز آبیاری است. در سال های اخیر استفاده از سیستم های هوشمند برای برآورد پدیده های هیدرولوژی افزایش چشمگیری داشته است. این پژوهش با هدف امکان تخمین تبخیر-تعرق مرجع (ETo) روزانه با استفاده از سیستم های هوش مصنوعی و مقایسه این سیستم ها با هم، به انجام رسید. بدین منظور پتانسیل سیستم استنتاج تطبیقی عصبی-فازی (ANFIS) و شبکه عصبی مصنوعی (ANN) در برآورد تبخیر-تعرق مرجع روزانه مورد بررسی قرار گرفت. از داده های روزانه هواشناسی سه ایستگاه سینوپتیک اصفهان، کرمان و یزد، شامل ساعات آفتابی، دمای هوا، رطوبت نسبی و سرعت باد به عنوان ورودی، و تبخیر-تعرق مرجع روزانه محاسبه شده با روش استاندارد فائو پنمن-مانتیث به عنوان خروجی روش های ANN و ANFIS استفاده شد. ایستگاه های مورد مطالعه بر اساس روش پهنه بندی اقلیمی دین پژوه در اقلیم بسیار خشک دسته بندی شدند. برآوردهای ETo از روش های ANN و ANFIS با مدل های تجربی ماکینک، پرستلی-تیلور، هارگریوز-سامانی، فائو بلانی-کریدل و ریچی مقایسه شد. کارایی روشهای مورد مقایسه، با استفاده از آماره‌های ریشه میانگین مجذور خطا (RMSE)، خطای انحراف میانگین (MBE) و ضریب تعیین (R2)، مورد ارزیابی قرار گرفت. روش های ANN و ANFIS توانستند با موفقیت تبخیر-تعرق مرجع روزانه را برآورد کنند. مدل ANFIS85 تنها با سه پارامتر ورودی شامل تشعشع خورشیدی، دمای حداکثر هوا و سرعت باد نسبت به تمامی روشهای تجربی مورد استفاده، از دقت بالاتری برخوردار است. روش فائو بلانی-کریدل نسبت به دیگر روشهای تجربی دارای دقت بالاتری بود.
واژه های کلیدی: ایران، بسیار خشک، تبخیر-تعرق مرجع، سیستم استنتاج تطبیقی عصبی-فازی، مدل های تجربی
