برآورد تبخير و تعرق با استفاده از سنجش از دور، شبكه هاي عصبي مصنوعي و مقايسه نتايج آن با روش پنمن- مانتيث- فائو در باغات مركبات شمال خوزستان

تبخير و تعرق يكي از مهمترين عوامل اتلاف آب مي­باشد. تبخير و تعرق يك پديده پيچيده­اي است كه به عوامل و داده­هاي زيادي بستگي دارد، بنابراين برآورد دقيق ميزان تبخير و تعرق، بسيار مشكل و پرهزينه مي­باشد. هدف از اين مطالعه برآورد تبخير و تعرق با استفاده از الگوريتم توازن انرژي سطحي براي زمين (سبال) و همچنين ارزيابي عملكرد شبكه­هاي عصبي مصنوعي در برآورد تبخير و تعرق مي­باشد. جهت محاسبه ميزان سبال تبخير و تعرق، روش الگوريتم سبال بوسيله تصاوير ماهواره­اي مورد استفاده قرار گرديد. در اين تحقيق از چهار تصوير لندست 8 استفاده شد كه مقايسه نتايج بدست آمده از دو روش، سنجش از دور و معادله پنمن- مانتيث- فائو، نشان مي دهد كه ميانگين مربعات خطا (MSE) 54/1 و ميانگين خطاي مطلق (MAE) 04/1 ميليمتر در روز مي باشد. براي حل پيچيدگي فرآيند تبخير، از شبكه هاي عصبي مصنوعي براي پيش­بيني تبخير از تشت بر اساس داده هاي هواشناسي استفاده گرديد. در اين تحقيق شبكه پرسپترون با الگوريتم پس انتشار خطا براي آموزش آن استفاده شد. براي آموزش شبكه از داده­هاي اقليمي روزانه 13 ساله ايستگاه صفي­آباد دزفول استفاده شد. نتايج حاصل از محاسبات نشان داد بهترين شبكه، شبكه اي با همه ورودي ها، با يك لايه پنهان و 28 نرون در لايه مياني مي باشد. نتايج پياده­سازي اين شبكه نشان­دهنده، شاخص­هاي آماري معيارهاي ميانگين مربعات خطا (MSE) 0032/0، ميانگين خطاي مطلق (MAE) 0445/0 و ضريب تبين (R2) 9609/0 مي باشد. مقايسه نتايج بدست آمده از روش شبكه­هاي عصبي مصنوعي با روش پنمن- مانتيث- فائو نشان مي دهد كه ميانگين مربعات خطا (MSE) 11/1 و ميانگين خطاي مطلق (MAE) 52/0 ميلي­متر در روز مي باشد. اين نتايج، بيانگرعملكرد بهتر شبكه هاي عصبي مصنوعي نسبت به روش سنجش از دور در برآورد ميزان تبخير و تعرق مي باشد.