ارزيابي عملكرد روش‌هاي شبكه‌ عصبي مصنوعي و سيستم استنتاج عصبي-فازي تطبيقي در تخمين تبخير-تعرق گياه مرجع در شرايط گلخانه

Performance Evaluation of Artificial Neural Networks and Adaptive Neuro-Fuzzy Inference System in Estimating Reference Evapotranspiration under Greenhouse Conditions

برآورد دقيق تبخير-تعرق گياه مرجع (ETo) يكي از عوامل مهم در مديريت و برنامه‌ريزي آبياري در بخش كشاورزي است. استفاده از روش استاندارد فائو-پنمن-مانتيت براي تخمين ETo، مشروط به در دسترس بودن پارامترهاي اقليمي شامل دما، رطوبت، تابش، سرعت باد و هم-چنين فراهم بودن فرضيات ذكر شده در نشريه فائو 56 است. در بعضي مناطق يا در كشت‌هاي كنترل شده گلخانه، اغلب دسترسي به تمام پارامترهاي اقليمي و يا برآوردن فرضيات روش فائو-پنمن-مانتيت امكان‌پذير نيست. بنابراين، بهره‌گيري از روش‌هايي كه با پارامترهاي كمتري بتواند تخمين دقيقي از ETo ارائه نمايد، ارجح است. پژوهش حاضر با هدف ارزيابي عملكرد دو روش شبكه‌هاي عصبي مصنوعي (ANNs) و سيستم استنتاج عصبي-فازي تطبيقي (ANFIS) براي برآورد ETo در گلخانه تحقيقاتي واقع در دانشكده كشاورزي و منابع طبيعي دانشگاه تهران انجام شد. بر اساس پارامترهاي اقليمي اندازه‌گيري شده در داخل گلخانه، تركيب‌هاي مختلفي ايجاد و شاخص‌هاي ارزيابي براي هر روش و سناريو محاسبه گرديدند. بهترين ساختار شبكه عصبي براي سناريو 4 (ورودي‌هاي تابش، دما، رطوبت) با 7 نورون در لايه مياني و الگوريتم آموزش تنظيم بيزي به دست آمد. طراحي شبكه‌هاي ANFIS با توابع عضويت‌هاي مختلف انجام شد. نتايج نشان داد، تفاوت قابل ملاحظه‌اي بين دقت مدل‌سازي ETo در روش ANFIS تحت سناريوهاي مختلف وجود ندارد. به عبارت ديگر در اين روش، حتي با داده‌هاي دما و رطوبت نيز مي‌توان با دقت بالايي ETo در داخل گلخانه را شبيه‌سازي نمود. مقايسه شاخص‌هاي ارزيابي بين مدل‌هاي ANFIS و ANNs نشان داد، مدل ANFIS عملكرد بهتري نسبت به روش ANNs دارد. به طوري‌كه شاخص جذر ميانگين مربعات خطاي نسبي (RRMSE)، براي سناريوهاي 1 تا 4 در مدل ANFIS به ترتيب برابر با 41/1، 80/0، 06/1 و 01/1 درصد و در مدل ANNs برابر با 70/12، 23/2، 12/2 و 10/2 درصد بود.

One of the important factors for agricultural irrigation management and planning is accurate estimation of reference evapotranspiration (ETo). The application of the standard model (FAO-Penman-Monteith) to estimate ETo is restricted due to the availability of climatic variables including temperature, humidity, radiation, wind speed as well as the availability of the mentioned hypotheses in FAO 56. Accessibility to all climatic parameters or satisfaction of the FAO-Penman-Monteith assumptions are often not possible in some areas or in controlled environments (greenhouses). Therefore, it is preferable to use methods that can provide an accurate estimate of ETo with fewer input parameters. The aim of the present study was to evaluate the performance of two methods of artificial neural networks (ANNs) and adaptive neuro-fuzzy inference system (ANFIS) for estimating ETo in the research greenhouse of the College of Agriculture and Natural Resources of the University of Tehran, located in Karaj, Iran. Based on the measured climatic parameters inside the greenhouse, different combinations were created and evaluation indicators were calculated for each method and scenario. The best neural network structure was obtained for Scenario 4 (radiation, temperature, humidity) with 7 neurons in the hidden layer and Bayesian Regularization training algorithm. ANFIS model was designed with different membership functions. The results showed that there was no significant difference between the performance of the ANFIS method under different scenarios. In other words, even with temperature and humidity data, ETo can be simulated with high accuracy by ANFIS method. Comparison of evaluation indicators between ANFIS and ANNs models showed that ANFIS performed better than ANNs method. The calculated relative root mean square error (RRMSE) for scenarios 1 to 4 in ANNs model was equal to 12.70, 2.23, 2.12 and 2.10% however it was equal to 1.41, 0.80, 1.06 and 1.01% in ANFIS model.