مقایسه مدل های شبیه سازی سیستم استنتاج تطبیقی عصبی– فازی و شبکه عصبی مصنوعی در تخمین تبخیر و تعرق گیاه مرجع و تبخیر و تعرق گیاه سیر

در این تحقیق از روش های مبتنی بر هوش مصنوعی شامل شبکه عصبی مصنوعی (ann)، عصبی-فازی در قالب دو روش anfis و canfis و روش ترکیبی عصبی با الگوریتم ژنتیک (annga) برای مدل سازی تبخیر تعرق گیاه مرجع (et0) و گیاه سیر (etc) استفاده شد. نتایج به دست آمده از مدل های هوشمند با داده های سال های 1376 و 1377 لایسیمتر زهکش دار برای گیاه مرجع چمن و سال های 1387 و 1388 برای گیاه سیر واسنجی شد. داده های هواشناسی مورد استفاده شامل دمای حداقل و حداکثر، رطوبت نسبی حداقل و حداکثر، ساعات آفتابی و سرعت باد، در منطقه نیمه خشک سرد همدان بودند. ساختار شبکه ها به گونه ای طراحی شد تا ضمن مقایسه عملکرد آرایه های متفاوت، تاثیر مشخصات و رفتار دینامیکی سیستم را در مدل سازی نشان دهند. مقایسه کارایی مدل های هوشمند نشان از برتری روش تلفیقی عصبی- ژنتیک در مقایسه با دو روش ann و canfis بود به عبارت دیگر بهینه سازی شبکه عصبی مصنوعی موفق تر از منطق فازی عمل نمود. ضمن آن که ترکیب منطق فازی با شبکه عصبی مصنوعی در هیچ یک از ساختارها سبب بهبود نتایج شبکه عصبی مصنوعی نشد و حتی با اختلاف ناچیز نتایج شبکه عصبی مصنوعی در تخمین تبخیر تعرق بهتر از روش عصبی- فازی بود. همچنین عملکرد شبکه عصبی مصنوعی با ساختار پس انتشار پیش خور (ffbp) نسبت به ساختار پس انتشار پیش رو (cfbp) مناسب ارزیابی شد. ضمن آن که در کلیه ساختارهای مدل های هوشمند عصبی، قانون آموزش لونبرگ مارکوات با تابع محرک سیگموئید منجر به نتایج دقیق تری نسبت به سایر توابع و قوانین آموزشی شد. همچنین بررسی نتایج نشان از کفایت یک لایه پنهان در طراحی شبکه عصبی مصنوعی برای پیش بینی تبخیر تعرق بود. در مدل anfis نیز تعداد دو تابع عضویت برای پیش بینی مناسب تشخیص داده شد. در مجموع آزمون مدل های هوش مصنوعی با داده های کاملاً مستقل از داده های مورد استفاده در آموزش شبکه نشان داد که نتایج مدل سازی برای این نوع فرآیند دینامیکی غیرخطی نسبت به روش های تجربی کاملاً قابل اعتماد است.