بازسازي داده‌ هاي مفقوده مجموع ماهيانه ساعات آفتابي با استفاده از شبكه ‌هاي عصبي مصنوعي

تبخير-تعرق گياه مرجع يكي از عوامل مهم چرخه هيدرولوژيكي است كه بايد در طرح سيستم‌هاي آبياري، تاسيسات آبي، مطالعات زهكشي و هيدرولوژيكي برآورد شود. يكي از داده‌هاي موردنياز براي محاسبه اين پارامتر بااهميت، مقدار تابش خورشيدي مي‌باشد كه در صورت عدم وجود داده‌هاي آن از مجموع ماهيانه ساعات آفتابي استفاده مي‌شود. با توجه به اينكه در اكثر ايستگاه‌هاي هواشناسي كشور در سال‌هاي گذشته داده‌هاي مربوط به مجموع ماهيانه ساعات آفتابي موجود نمي‌باشد، نياز به بازسازي داده‌هاي مربوط به آن احساس مي‌شود. در تحقيق حاضر با استفاده از دو نوع شبكه عصبي مصنوعي MLP و RBF و همچنين داده‌هاي هواشناسي ايستگاه هدف و ايستگاه‌هاي مجاور اقدام به بازسازي داده‌هاي مجموع ماهيانه ساعات آفتابي گرديد. نتايج اين تحقيق نشان داد كه مي‌توان با استفاده از داده‌هاي هواشناسي ايستگاه هدف و ايستگاه‌هاي مجاور، مجموع ماهيانه ساعات آفتابي را با دقت بالايي بازسازي كرد. نتايج سناريوهاي مختلف اعمال شده نشان داد كه درصورتي‌كه صرفا از داده‌هاي هواشناسي ايستگاه هدف استفاده شود مي‌توان با پارامترهاي هواشناسي حداقل و حداكثر دما، رطوبت نسبي متوسط، تابش فرازميني و تعداد روزهاي صاف، ابري و نيمه‌ابري با RMSE، 79/16 ساعت و درصد خطاي متوسط 44/6 درصد مجموع ماهيانه ساعات آفتابي را تخمين زد. همچنين درصورتي‌كه تنها از داده‌هاي ايستگاه مجاور استفاده شود، استفاده از ايستگاه‌هاي بيش تر منجر به افزايش دقت مي‌شود (RMSE، 25/14 ساعت و درصد خطاي متوسط 71/5 درصد). بهترين نتيجه زماني به دست آمد كه از هر دو سري داده هواشناسي ايستگاه هدف و ايستگاه‌هاي مجاور استفاده شود (RMSE، 78/13 و درصد خطاي متوسط 97/4 درصد). مقايسه عملكرد دو شبكه عصبي مصنوعي MLP و RBF نشان داد كه دقت شبكه عصبي مصنوعي MLP تا حدودي بيش تر از شبكه عصبي RBF مي‌باشد. در پايان نيز سري زماني تبخير- تعرق مرجع براي سال‌هايي كه داده مجموع ماهيانه ساعات آفتابي موجود نبود، بازسازي گرديد.