فهرست نشریات علمی دسترسی آزاد ایران

تبد دقیق نیاز آبی گیاه، تاثیر شایانی بر کاهش معضل بحران آب، خواهد داشت. علی‌رغم اهمیت تبخیر-تعرق در برنامه‌ریزی و مدیریت منابع آبی، وابستگی آن به مولفه‌های اقلیمی از یک‌سو و تاثیرپذیری این مولفه‌ها از یکدیگر از سویی دیگر تخمین تبخیر-تعرق را دشوار ساخته است. در این راستا، ابتدا بر اساس رابطه‌ی فائو پنمن-مانتیث، میزان تبخیر-تعرق پتانسیل ماهانه در ایستگاه های سینوپتیک مورد انتخاب از داده‌های هواشناسی ماهانه محاسبه و به عنوان ورودی مدل‌های هیبریدی فراکاووشی شامل شبکه عصبی مصنوعی (ANN)، بردار پشتیبان ارتقا یافته (ESVM)، مدل یادگیری ترکیبی متا (Stacking) استفاده می شود. همچنین در این تحقیق برای ارزیابی دقت مدلها از سه معیار ریشه میانگین مربعات خطا، ضریب همبستگی و میانگین قدر مطلق خطا استفاده ‌شد. از بررسی نتایح همه ایستگاه‌ها مشاهده شد، تمام‌مدل‌های پیش‌بینی پارامتر تبخیر و تعرق مرجع از کارایی خوبی برخوردار هستند. اما مدل Stacking در همه ایستگاه های مورد مطالعه در بهترین سناریوها از مقادیر کمترین میانگین قدر مطلق خطا (گرگان: 0.25، گنبد: 0.08، کردکوی: 0.25، بندر ترکمن: 0.8، علی آباد: 0.33 و مینودشت: 0.97 ) و ضریب تبیین بسیار زیاد (گرگان: 0.996، گنبد: 0.99، کردکوی: 0.99، بندر ترکمن: 0.996، علی آباد: 0.991 و مینودشت: 0.992) و کمترین ریشه دوم مربعات خطا (گرگان: 6.849، گنبد: 9.919، کردکوی: 9.671، بندر ترکمن: 6.561، علی آباد: 9.123 و مینودشت: 8.73) برخوردار می‌باشد. همچنین بعد از مدل Stacking در همه ایستگاهها مدل ANN و سپس مدل ESVM از دقت بالاتری نسبت به بقیه مدلها برخوردار می‌باشند