فهرست نشریات علمی دسترسی آزاد ایران

برآورد دقیق تبخیر-تعرق گیاه مرجع (ETo) یکی از عوامل مهم در مدیریت و برنامه‌ریزی آبیاری در بخش کشاورزی است. استفاده از روش استاندارد فائو-پنمن-مانتیت برای تخمین ETo، مشروط به در دسترس بودن پارامترهای اقلیمی شامل دما، رطوبت، تابش، سرعت باد و هم-چنین فراهم بودن فرضیات ذکر شده در نشریه فائو 56 است. در بعضی مناطق یا در کشت‌های کنترل شده گلخانه، اغلب دسترسی به تمام پارامترهای اقلیمی و یا برآوردن فرضیات روش فائو-پنمن-مانتیت امکان‌پذیر نیست. بنابراین، بهره‌گیری از روش‌هایی که با پارامترهای کمتری بتواند تخمین دقیقی از ETo ارائه نماید، ارجح است. پژوهش حاضر با هدف ارزیابی عملکرد دو روش شبکه‌های عصبی مصنوعی (ANNs) و سیستم استنتاج عصبی-فازی تطبیقی (ANFIS) برای برآورد ETo در گلخانه تحقیقاتی واقع در دانشکده کشاورزی و منابع طبیعی دانشگاه تهران انجام شد. بر اساس پارامترهای اقلیمی اندازه‌گیری شده در داخل گلخانه، ترکیب‌های مختلفی ایجاد و شاخص‌های ارزیابی برای هر روش و سناریو محاسبه گردیدند. بهترین ساختار شبکه عصبی برای سناریو 4 (ورودی‌های تابش، دما، رطوبت) با 7 نورون در لایه میانی و الگوریتم آموزش تنظیم بیزی به دست آمد. طراحی شبکه‌های ANFIS با توابع عضویت‌های مختلف انجام شد. نتایج نشان داد، تفاوت قابل ملاحظه‌ای بین دقت مدل‌سازی ETo در روش ANFIS تحت سناریوهای مختلف وجود ندارد. به عبارت دیگر در این روش، حتی با داده‌های دما و رطوبت نیز می‌توان با دقت بالایی ETo در داخل گلخانه را شبیه‌سازی نمود. مقایسه شاخص‌های ارزیابی بین مدل‌های ANFIS و ANNs نشان داد، مدل ANFIS عملکرد بهتری نسبت به روش ANNs دارد. به طوری‌که شاخص جذر میانگین مربعات خطای نسبی (RRMSE)، برای سناریوهای 1 تا 4 در مدل ANFIS به ترتیب برابر با 41/1، 80/0، 06/1 و 01/1 درصد و در مدل ANNs برابر با 70/12، 23/2، 12/2 و 10/2 درصد بود.