طبقه بندي ميزان تبخير و تعرق پتانسيل با استفاده از شبكه هاي عصبي خودسازمانده (Self Organizing Map)

Classification of potential evapotranspiration using Self Organizing Map of neural network

تبخيـر و تعـرق پتانـسيل نقش مهمي در مطالعات كشاورزي، طرحهاي مديريت منابع آب، طراحي شبكه‌هـاي آبيـاري و زهكشي و سازه‌هاي آبي دارد. با توجه به اهيمت اين پارامتر در اين مطالعه اقدام به طبقه بندي تبخير و تعرق پتانسيل در جنوب استان فارس با استفاده از شبكه‌هاي عصبي خودسازمانده (SOM) شد. در اين مطالعه داده‌هاي 7 پارامتر حداقل، ميانگين و حداكثر دما، ساعات آفتابي، سرعت باد، حداكثر ساعات آفتابي و رطوبت نسبي با روش SOM طبقه‌بندي و خوشه‌بندي شدند. نتايج حاصل از اين طبقه بندي نشان داد كه دماهاي حداقل، حداكثر و ميانگين در منطقه مورد مطالعه داراي ارتباط معني داري با يكديگر مي‌باشند. همچنين دماي حداقل، حداكثر و ميانگين ارتباط معكوس با ميزان رطوبت هوا در منطقه مورد مطالعه دارند. بر اساس شبكه عصبي خودسازمانده و استفاده از 7 داده به عنوان داده‌هاي ورودي مدل مشخص شد كه تبخير و تعرق در منطقه مورد مطالعه را مي‌توان در 3 كلاس طبقه بندي نمود. به طوري كه كلاس 3 داراي بيشترين تبخير و تعرق و كلاس 1 داراي كمترين تبخير و تعرق در منطقه مورد مطالعه باشند.

Potential evapotranspiration has an important role in agricultural studies, the project of water resources management, design of drainage and irrigation network and water structure. According to the importance of this parameters, in this study it has been tried to Classify the potential evapotranspiration using Self Organizing Map (SOM) of neural network in south of Fars province. Parameters that used in this study to classify with SOM method include: minimum temperature, maximum temperature, mean temperature, Sunshine hour, maximum of Sunshine hour, wind speed and relative humidity. Result of this paper shows that minimum temperature, maximum temperature and mean temperature have significant relative in study area. Also the minimum temperature, maximum temperature and mean temperature have invers relation by relative humidity in study area. According to Self Organizing Map (SOM) of neural network method and input parameters of this model, potential evapotranspiration in study area classified in 3 classes. So that class 3 has the highest evapotranspiration and class 1 has the lowest evapotranspiration.