فهرست نشریات علمی دسترسی آزاد ایران

تبخیر و تعرق یکی از اجزای اصلی چرخه‌ی هیدرولوژی است. این فرایند پیچیده به عوامل متعدد اقلیمی وابسته است. شبکه‌های عصبی مصنوعی در چند دهه‌ی اخیر و در مطالعات صورت گرفته برای مدل‌سازی سیستم‌های پیچیده و غیر خطی قابلیت بسیار بالایی از خود نشان داده‌اند. در تحقیق حاضر امکان استفاده از شبکه‌های با تابع پایه‌ی شعاعی (RBF) و شبکه‌های پرسپترون چند لایه (MLP) برای تخمین تبخیر و تعرق گیاه مرجع مورد مطالعه قرار گرفته است. با استفاده از سری داده‌های هواشناسی سال‌های 1383-1330 ایستگاه تبریز، ابتدا مقادیر متوسط تبخیر و تعرق ماهانه‌ی گیاه مرجع از روش استاندارد پنمن – مونتیث (PM)، محاسبه شد. سپس با استفاده از این مقادیر به عنوان خروجی‌های هدف، شبکه‌های مختلفی با ساختار متفاوت تعریف و آموزش داده شد. در نهایت قابلیت شبکه برای تخمین تبخیر و تعرق با استفاده از قسمتی از داده‌ها که در طراحی و یا آموزش شبکه استفاده نشده‌اند، مورد بررسی قرار گرفت. با بررسی‌های انجام گرفته مشخص شد که تنها با استفاده از دو پارامتر دمای میانگین و سرعت باد به عنوان ورودی، می‌توان میزان تبخیر و تعرق گیاه مرجع را با استفاده از این دو نوع شبکه با دقت قابل قبولی (4081/0RMSE< و 976/0 R2> برای مجموعه‌ی صحت‌سنجی) تخمین زد. همچنین با مقایسه‌ی نتایج حاصل از دو شبکه مشخص شد که شبکه‌های MLP نسبت به RBF در تخمین تبخیر و تعرق گیاه مرجع از دقت نسبتاً بیشتری برخوردارند و تنها مزیت شبکه‌های RBF زمان کمتر مورد نیاز برای آموزش است.