مقالات آب و خاك (علوم و صنايع كشاورزي)

تبخير-تعرق يکي از اجزاي اصلي چرخه هيدرولوژي و تخمين نياز آبياري است. در سال هاي اخير استفاده از سيستم هاي هوشمند براي برآورد پديده هاي هيدرولوژي افزايش چشمگيري داشته است. اين پژوهش با هدف امکان تخمين تبخير-تعرق مرجع (ET_o) روزانه با استفاده از سيستم هاي هوش مصنوعي و مقايسه اين سيستم ها با هم، به انجام رسيد. بدين منظور پتانسيل سيستم استنتاج تطبيقي عصبي-فازي (ANFIS) و شبکه عصبي مصنوعي (ANN) در برآورد تبخير-تعرق مرجع روزانه مورد بررسي قرار گرفت. از داده هاي روزانه هواشناسي سه ايستگاه سينوپتيک اصفهان، کرمان و يزد، شامل ساعات آفتابي، دماي هوا، رطوبت نسبي و سرعت باد به عنوان ورودي، و تبخير-تعرق مرجع روزانه محاسبه شده با روش استاندارد فائو پنمن-مانتيث به عنوان خروجي روش هاي ANN و ANFIS استفاده شد. ايستگاه هاي مورد مطالعه بر اساس روش پهنه بندي اقليمي دين پژوه در اقليم بسيار خشک دسته بندي شدند. برآوردهاي ET_o از روش هاي ANN و ANFIS با مدل هاي تجربي ماکينک، پرستلي-تيلور، هارگريوز-ساماني، فائو بلاني-کريدل و ريچي مقايسه شد. کارايي روش هاي مورد مقايسه، با استفاده از آماره هاي ريشه ميانگين مجذور خطا(RMSE) ، خطاي انحراف ميانگين (MBE) و ضريب تعيين (R²)، مورد ارزيابي قرار گرفت. روش هاي ANN و ANFIS توانستند با موفقيت تبخير-تعرق مرجع روزانه را برآورد کنند. مدل ANFIS₈₅ تنها با سه پارامتر ورودي شامل تشعشع خورشيدي، دماي حداکثر هوا و سرعت باد نسبت به تمامي روش هاي تجربي مورد استفاده، از دقت بالاتري برخوردار است. روش فائو بلاني-کريدل نسبت به ديگر روشهاي تجربي داراي دقت بالاتري بود.

 نسخه قابل چاپ