محمد نادریان فر

با توجه به اهمیت تعیین دقیق و به موقع تبخیر- تعرق در محاسبات بیلان آبی و برنامه ریزی های آبیاری از یک سو و نبود داده های مناسب هواشناسی از سوی دیگر، ارائه یک مدل ساده، کم هزینه و دقیق را در ارائه این پارامتر ضروری می نماید. لذا این تحقیق باهدف استفاده از توانمندی های سیستم استنتاج فازی (FIS)و شبکه عصبی (ANNs-BFGS) برای برآورد تبخیر- تعرق مرجع ساعتی با استفاده از روش پنمن- مونتیث- فائو (PMF56) و ASCE، در طول دوره آماری 2008 و 2009 بوده که پس از حذف نقاط پرت، تعداد 9128 داده ساعتی مورداستفاده قرار گرفت. در ادامه از تست گاما و M تست، برای ترتیب اهمیت پارامترهای ورودی و تعیین تعداد داده معنی دار برای آموزش شبکه و یافتن بهترین ترکیب بکار گرفته شد. که نتایج M تست نشان داد تعداد 778 داده معنی دار را می توان برای آموزش مدل بکار برد، اما در این تحقیق برای نتایج بهتر از 70 درصد داده ها برای آموزش و 30 درصد برای تست مدل مورد استفاده قرار گرفت. کارایی مدل های مورد مقایسه با استفاده از آماره های RMSE،MBE ،r ، معیار جاکوویدز (t) و معیار صباغ و همکاران (R2/t) مورد ارزیابی قرار گرفت. نتایج مدل های فازی و شبکه عصبی ارائه شده با پارامترهای ورودی متفاوت با هر دو مدل PMF56 و ASCE نشان دادند که، این سیستم ها قادر به برآورد تبخیر- تعرق مرجع ساعتی با دقت قابل قبولی هستند، به طوری که نتایج رتبه-بندی مجموع معیارهای ارزیابی، نشان داد که مدل فازی با 3 متغیر ورودی (دما، رطوبت نسبی و تابش خورشیدی) و مدل شبکه عصبی BFGS5-7-1 با 4 پارامتر ورودی (دما، رطوبت نسبی، سرعت باد و تابش خورشیدی) تطابق بسیار خوبی با مدل PMF56 و ASCE در مرحله آموزش داشت. به طوری که معیارهای RMSE،MBE ،r ، t و R2/t برای مدل سازی تبخیر- تعرق PMF56 و ASCE با مدل فازی با 3 ورودی به ترتیب 04/0، 01/0-، 99/0، 5/23، 041/0 و 05/0، 008/0-، 974/0، 5/9، 1/0 به دست آمد. همچنین نتایج ترکیبی تست گاما نشان داد که کمترین مقدار آن برای مدل PMF56 و ASCE با 4 ورودی به ترتیب 00032/0 و 00115/0 به دست آمد. اما نتایج بررسی مجزا پارامترهای ورودی نشان داد که در هر دو روش PMF56 و ASCE کمترین گاما برای تابش خورشیدی به دست آمد، که نشان می دهد این پارامتر بیشترین تأثیر را روی تبخیر- تعرق ساعتی دارد.