ارزيابي كارايي چندين روش داده‌كاوي براي پيش‌بيني تبخير(مطالعة موردي: ايستگاه سينوپتيك يزد)

تبخير يكي از پارامترهاي اقليمي مهم در مناطق خشك است و نقش مهمي را در مديريت منابع آب بازي مي‌كند، به همين جهت آگاهي از مقدار تبخير و مدل‌سازي آن به عنوان يكي از متغيرهاي مهم هيدرولوژيكي در تحقيقات كشاورزي و حفاظت آب و خاك از اهميت زيادي برخوردار است. در دهه‌هاي اخير روش‌هاي هوش مصنوعي در تخمين و پيش‌بيني پديده‌هاي غيرخطي توانايي بالايي از خود نشان داده است. در اين تحقيق از سه روش مهم داده‌كاوي شامل شبكة عصبي مصنوعي، شبكه‌هاي استنتاج فازي و درخت تصميم رگرسيوني جهت پيش‌بيني تبخير ماهانه در ايستگاه سينوپتيك يزد استفاده شد. براي اين منظور از 8 متغير هواشناسي در مقياس ماهانه (متوسط كمينة دما، متوسط بيشينة دما، ميانگين دما، ساعات آفتابي، سرعت باد، جهت باد، ميانگين رطوبت نسبي و تبخير) به عنوان ورودي مدل استفاده گرديد. نتايج به‌دست‌آمده نشان داد هر سه مدل نامبرده قادرند با استفاده از پارامترهاي اقليمي مذكور به پيش‌بيني مقدار تبخير ماهانه 12 ماه بعد از وقوع بپردازند ولي در ميان سه مدل مورد استفاده، شبكة عصبي مصنوعي با ضريب همبستگي برابر با 97/0­r=، 1/5RMSE=­،3/36­MAE=­ و 48/0-­ME= بهترين كارايي را از خود نشان داد. همچنين نتايج نشان داد در پيش‌بيني تبخير، تفاوت قابل‌ملاحظه‌اي در زمان استفاده از داده‌هاي خام و داده‌هاي نرمال شده وجود ندارد و پردازش داده‌ها تأثير چنداني در بهبود نتايج مدل‌ها نخواهد داشت.