واسنجی معادلات تجربی تبخیر و تعرق روزانه و مقایسه با نتایج شبکه های عصبی مصنوعی در شرایط مختلف کمبود داده های هواشناسی

برآورد صحیح تبخیر و تعرق گیاه مرجع (ETo) در مدیریت منابع آب و برنامه ریزی سیستم های آبیاری اهمیت ویژه ای دارد. روش فائو پنمن - مانتیث (F-P-M) به عنوان روش استاندارد برای محاسبه ETo، به پارامترهای دما، رطوبت نسبی، ساعات آفتابی و سرعت باد نیاز دارد که در اکثر ایستگاه های هواشناسی امکان اندازه گیری همه آن ها وجود ندارد، لذا در چنین شرایطی نیاز به معادلات تجربی با پارامترهای هواشناسی کمتر می باشد. شبکه های عصبی نیز می توانند برای تخمین پدیده هایی مانند ETo که متغیرهای آن دارای روابط داخلی غیرخطی و پیچیده اند، به کار برده شوند. در این تحقیق، با استفاده از داده های روزانه ایستگاه سینوپتیک گرگان هفت مدل شبکه عصبی مصنوعی با ساختارهای مختلف از پارامترهای هواشناسی به عنوان ورودی طراحی گردید. تبخیر و تعرق پتانسیل نیز از پنج معادله تجربی فائو پنمن - مانتیث (F-P-M)، هارگریوز - سامانی (HS)، تورک (T)، پریستلی - تیلور (PT) و مک کینک (MK) و شش معادله تخمینی که در آن ها پارامترهای رطوبت نسبی و یا تابش خورشیدی معادلات تجربی با استفاده از داده های دمایی برآورد گردیدند، محاسبه شد. معادلات تجربی و تخمینی با استفاده از روش استاندارد F-P-M، در دوره آموزش (81-1371) واسنجی و ضرایب آن ها تعیین گردید. سپس براساس پارامترهای موردنیاز جهت تخمین ETo معادلات تجربی، تخمینی واسنجی شده و مدل های شبکه عصبی به سه گروه تقسیم و با استفاده از معیارهای آماری R2، RMSE و MBE در دوره آزمون (سال های 6-1382) در گروه های سه گانه با هم مقایسه شدند. نتایج نشان داد که مدل های شبکه عصبی مصنوعی ایجاد شده در هر سه گروه نسبت به معادلات تجربی از دقت بالاتری برخوردارند: در گروه معادلات ایجاد شده براساس دما و یا رطوبت نسبی مدل ANN 3 و معادله HS با ریشه میانگین مربعات خطا (RMSE) برابر با 423/0 و 551/0 میلی متر بر روز، در گروه معادلات ایجاد شده براساس پارامتر تابش خورشیدی مدل ANN 4 و معادله T با RMSE برابر با 372/0 و 518/0 میلی متر بر روز و در گروه سوم که پارامترهای آن مشابه با روش F-P-M بودند مدل ANN 6 و معادله F-P-MRHest با آماره RMSE برابر با 208/0 و 310/0 میلی متر بر روز از دقت بالاتری برخوردار بودند.