فهرست نشریات علمی دسترسی آزاد ایران

برآورد میزان ﺗﺒﺨﯿﺮ و ﺗﻌﺮق (ETo) که ﯾﮑﯽ از ﻣﺆﻟﻔﻪ‌ﻫﺎی ﭼﺮﺧﻪ ﻫﯿﺪروﻟﻮژﯾﮏ و هم چنین پارامتری موثر در برنامه‌ریزی آبیاری است، از اهمیت بالایی برخوردار است اما اکثر اوقات محدودیت و یا کمبود داده‌های هواشناسی مانع می‌شود تا بتوان از روش پیشنهادی فائو پنمن مانتیث برای برآورد ETo استفاده کرد. در ﻣﻄﺎﻟﻌﻪ ﺣﺎﺿﺮ ﺑﻪ ﺑﺮرﺳﯽ ﻗﺎﺑﻠﯿﺖ شبکه عصبی مصنوعی (ANN) و ﺳﯿﺴﺘﻢ اﺳﺘﻨﺘﺎج ﻋﺼﺒﯽ ﻓﺎزی ﺗﻄﺒﯿﻘﯽ (ANFIS) در ﺑﻬﺒﻮد ﺗﺨﻤﯿﻦ ﻣﯿﺰان ETo در شرایط کمبود داده پرداخته شده است. داده‌ﻫﺎی اﻗﻠﯿﻤﯽ در این مطالعه ﺷﺎﻣﻞ ساعت تابش، ﺳﺮﻋﺖ ﺑﺎد، دﻣﺎی ﻫﻮای حداقل، حداکثر و متوسط می‌ﺑﺎﺷﺪ ﮐﻪ در پهنای اقلیمی خشک و نیمه‌خشک از 12 اﯾﺴﺘﮕﺎه سینوپتیک اﺧﺬ ﮔﺮدﯾﺪه و ﺑﻪ ﻋﻨﻮان ورودی‌ﻫﺎی ﻣﺪل ﺑﺮ اﺳﺎس ﻣﻌﺎدﻟﻪ FAO56-PM در سه حالت ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار ﮔﺮفت. ﻧﺘﺎﯾﺞ ﺣﺎﺻﻞ از ارزیابی مدل‌ها نشان داد که روش‌های هوش مصنوعی نتایج بهتری را نسبت به روش‌های تجربی ارائه می‌دهند همچنین هر دو مدل ANN و ANFIS با داده‌های ورودی دمای متوسط و سرعت باد بهترین نتایج را ارائه می‌دهند و پس از آن به ترتیب ورودی‌های دمای حداقل و حداکثر و ورودی‌های دمای متوسط و ساعت تابش قرار می‌گیرند و بین دو مدل ANN و ANFIS، مدل ANFIS نتایج بهتری را نشان داد.