فهرست نشریات علمی دسترسی آزاد ایران

تبخیر و تعرق از اثرگذارترین پارامترها در چرخه آب در طبیعت و نیز طراحی صحیح سامانه‌‌های آبیاری بوده و برآورد دقیق آن منجر به کاهش تلفات آب و برنامه‌ریزی بهتر آبیاری می‌گردد. با توجه به توانمندی شبکه‌های عصبی مصنوعی در تحلیل محاسباتی فرآیندهای پیچیده، این پژوهش با هدف کاربرد این تکنیک برای تحلیل داده‌های مؤثر در برآورد تبخیر و تعرق گیاه مرجع (ETo) و مقایسه آن با نتایج حاصل از نرم‌افزار ETo-calculator صورت گرفت. ETo با استفاده از داده‌های هواشناسی (آمار 10 ساله روزانه 12 ایستگاه‌ هواشناسی استان تهران) و با کاربرد نرم‌افزار ETo-calculator محاسبه شد. برای مدل‌سازی ETo، مجموعه ورودی‌ها به شبکه‌های عصبی مصنوعی شامل مقادیر دمای حداقل و حداکثر، رطوبت نسبی حداقل و حداکثر، سرعت باد و تعداد ساعات آفتابی در شبانه روز در نظر گرفته شدند. پس از نگاشت داده‌ها و با بهینه‌سازی تعداد لایه‌های پنهان و الگوریتم‌های شبکه، مقادیر خروجی برآورد شدند. نتایج نشان داد که شبکه عصبی مصنوعی تکنیک بسیار مناسبی برای تحلیل ETo است(R^2≅98% ) . شیوه آموزش پرسپترون چند لایه‌ای با دو لایه میانی، توابع انتقال تانژانت خطی و تانژانت برای لایه‌های پنهان و خروجی، قانون آموزش لونبرگ مارکوات برای هر دو لایه پنهان و خروجی و ساختار 1-14-11-6 به عنوان بهترین شبکه برای برآورد ETo پیشنهاد می‌شود. نتایج تحلیل حساسیت نشان داد که شبکه منتخب و نرم‌افزار ETo-calculator روند مشابهی داشته و پارامترهای دمای حداکثر و تعداد ساعات آفتابی در شبانه روز، به‌ترتیب مؤثرترین و کم‌اثرترین پارامترها در برآورد ETo هستند. همچنین بر مبنای نتایج حاصل از تحلیل مؤلفه‌های اصلی، سناریوی استفاده از چهار پارامتر دمای حداقل و حداکثر، رطوبت نسبی حداکثر و سرعت باد به عنوان تنها ورودی‌ها به شبکه عصبی مصنوعی منتخب، می‌تواند با دقت قابل قبولی تبخیر و تعرق گیاه مرجع را برآورد کند (R^2≅94‌% ) .