تهيه مدل ANN در تخمين فرآيند تبخير و تعرق مرجع به كمك داده هاي تشتك تبخير

محدودیت منابع آب از مهمترین عواملی است كه توسعه كشاورزی را در مناطق خشك و نیمه خشك تحت تاثیر قرار می دهد. از طرفی استفاده بهینه از منابع موجود خود مستلزم محاسبه درست میزان آب مصرفی و نظارت دقیق بر چگونگی بیلان آب در حوزه های مورد مطالعه می باشد. از این رو برآورد صحیح میزان تبخیر و تعرق به عنوان یكی از اركان اساسی در برنامه ریزی و مدیریت منابع آب از اهمیت و درجه اثر گذاری بالایی برخوردار است. عمده ترین مشكل در این زمینه كثرت اطلاعات مورد نیاز در روشهایمحاسباتی دقیق چون فائو پنمن مانتیس، و فقدان این اطلاعات است كه ضرورت استفاده از روشهای دیگر را سبب می شود . استفاده از داده های تشتك تبخیر بدلیل كثرت آن در مقایسه با ایستگاه های سینوپتیك می تواند یكی از روشهای برآورد تبخیر و تعرق باشد كه دخالت ضریب Kp از دقت برآورد مدل كاسته است. بگونه ای كه بر اساس مطالعات انجام شده در میان 20 روش موجود، این روش جایگاه آخر را بخود اختصاص میدهد. پژوهش حاضر می كوشد تا ضمن مدل نمودن روش تشتك تبخیر توسط شبكه های عصبی مصنوعی، قابلیت این مدل ها را در استخراج ضرایب Kp مورد بررسی قرار داده و منجر به ارائه راهكار مطلوب تری در حوزه های با آمار ناكافی گردد. مدل های مورد استفاده در این تحقیق از نوع پرسپترون چند لایه با قانون یادگیری پس از انتشار خطا بوده كه بر روی آمار روزانه ایستگاه سینوپتیك هواشناسی طی سالهای 1990 تا 2000 میلادی اعمال شده است. پس از طراحی شبكه های مورد نظر، نتایج بدست آمده از هر شبكه به لحاظ شاخصهای آماری RMSE, MBE, MAE, R2, b, SEE, SE با نتایج بدست آمده از روشهای فائو پنمن مانتیس ، تشتك تبخیر، بلانی كریدل ، هارگریوز سامانی و جنسن هیز اصفلاح شده مقایسه گردید. در گام دیگر از شبكه عصبی مصنوعی جهت تعیین ضریب Kp استفاده، و خروج مدل با ضرایب استخراج شده از جداول پیشنهادی فائو مقایسه شد. بر اساس نتایج بدست آمده ، عملكرد بسیار عالی شبكه های عصبی مصنوعی در مقایسه با روش تشتك تبخیر به روشنی می تواند استفاده از ضریب تشتك را در شرایطی كه داده های موجود جهت طراحی شبكه ها كفایت می كنند، منسوخ سازد. چرا كه نتایج حاصله از مدل ها به لحاظ شاخص های در نظر گرفته شده، به مراتب بهتر از زمانی بود كه ازجداول پیشنهادی سازمان فائو استفاده شد.