فهرست نشریات علمی دسترسی آزاد ایران

بارش یکی از مهم‌ترین اجزای جریان‌های هیدرولوژیکی به حساب می‌آید که میزان موثر و قابل استفاده آن برای گیاه در بخش کشاورزی و به ویژه کشت دیم از اهمیت بالایی برخوردار است. در این پژوهش، باران مؤثر در اراضی تحت کشت گندم دیم شهرستان خمین با به‌کارگیری سنجش از دور و اجرای الگوریتم سبال بر روی 28 تصویر موجود از لندست 8 در سال‌های زراعی 1394-1393 تا 1401-1400 برآورد گردید. برای ارزیابی دقت الگوریتم سبال از روش‌ پنمن مانتیث استفاده شد. سپس، به منظور توسعه یک مدل از تخمین بارش موثر به کمک شبکه عصبی و داده‌های هوشناسی ابتدا، میزان هم‌بستگی میان متغیرهای هواشناسی و درجه حرارت رشد روزانه (GDD) با بارش مؤثر به روش هم‌بستگی پیرسون بررسی و با توجه به نتایج هم‌بستگی‌ها، متغیرها از نظر میزان هم‌بستگی اولویت‌بندی شدند. از داده‌های هواشناسی سه ایستگاه از نزدیک‌ترین ایستگاه‌های همدید به منطقه مورد مطالعه برای درونیابی متغیرهای هواشناسی با روش عکس فاصله استفاده شد. با توجه به نتایج هم‌بستگی‌ها، متغیر دمای متوسط با هم‌بستگی 92/0 و متغیرهای GDD و حداکثر رطوبت نسبی به‌ترتیب با هم‌بستگی 86/0 و 77/0- به عنوان متغیرهای موثر در برآورد بارش مؤثر شناخته شدند. در مرحله بعد متغیرهای موثر تحت سناریوهای مختلف برای آموزش شبکه‌ها به‌کار گرفته شدند و عملکرد شبکه‌ها با استفاده از معیار خطای RMSE و MBE ارزیابی شد. نتایج نشان داد که می‌توان با به‌کارگیری الگوریتم یادگیری Bayesian regularization و با داشتن متغیرهای دمای روزانه و GDD با دقت بسیار خوبی میزان بارش مؤثر را برای منطقه مورد نظر پیش‌بینی نمود. مقدارRMSE این مدل 1899/0 میلی‌متر و MBE آن 0115/0- میلی‌متر برآورد شد. با استفاده از مدل ارائه شده می‌توان تنها با داشتن متغیرهای ساده‌ی هواشناسی، تبخیر تعرق واقعی و در نهایت بارش مؤثر منطقه دیم مورد نظر را بدون نیاز به حل الگوریتم‌های پیچیده (نظیر سبال) با دقت مناسبی تخمین زد.