بررسي عملكرد مدل هيبريدي شبكه عصبي شعلۀ پروانه (ANN-MFO) در تخمين تبخير و تعرق مرجع در اقليم نيمه‌مرطوب (مطالعه موردي: ايستگاه سينوپتيك گرگان)

Investigating the performance of butterfly flame neural network hybrid model (ANN-MFO) in estimating reference evapotranspiration in semi-humid climate (case study: Gorgan synoptic station)

تبخير و تعرق (ETo) يكي از مهمترين فرآيندها در چرخه هيدرولوژيكي است كه كاربرد ويژه‌اي در مديريت پايدار منابع آب دارد. مطالعه حاضر با هدف ارزيابي توانايي تخمين تبخير و تعرق روزانه در اقليم نيمه‌مرطوب با استفاده از يك مدل تركيبي شامل شبكه عصبي مصنوعي (ANN) ادغام شده با الگوريتم بهينه‌سازي شعلۀ پروانه (ANN-MFO) انجام مي‌شود. داده‌هاي روزانه هواشناسي از ايستگاه سينوپتيك شهرستان گرگان، طي دوره 2000 تا 2023 براي آموزش مدل، آزمايش و اعتبار سنجي استفاده شد. دقت پيش‌بيني مدل پيشنهادي با ساير الگوريتم‌هاي پيشرفته، از جمله الگوريتم ازدحام ذرات (ANN-PSO) و الگوريتم ژنتيك گرهي (ANN-GA) مقايسه شد. نتايج نشان داد كه در شرايط استفاده از حداقل پارامتر هواشناسي، مدل هيبريدي ANN-MFO پيشنهادي در كليه تركيبات ورودي كارآمدتر بوده و سطوح شبيه‌سازي بالايي دارد، به‌طوري كه با استفاده از پارامترهاي دما و سرعت باد، معيارهاي ارزيابي مدل ANN-MFO به‌صورت 0/988=R2 و 0/0003=MSE و با استفاده از پارامترهاي ورودي كامل، معادل 0/999=R2 و 0/0000=MSE به‌دست آمد. با توجه به دقت پيش‌بيني بالا و خطاي كم، مدل تركيبي پيشنهادي مي‌تواند يك تكنيك اميدواركننده در نظر گرفته شود.