برآورد تبخير-تعرق روزانه و هفتگي با استفاده از رويكردهاي تركيبي محاسبات نرم

از آنجا كه بخش بسيار بزرگي از آب در دسترس به واسطه تبخيرتعرق تلف مي شود، برآورد دقيق آن در دوره هاي زماني كوتاه مدت و بلندمدت حائز اهميت مي باشد. در اين مقاله قابليت رويكرد مدل درخت M5 و جنگل تصادفي (RF) به عنوان رويكردهاي هوش مصنوعي و همچنين در تركيب با فرآيند پيش پردازشگر موجك، جهت برآورد تبخيرتعرق پتانسيل روزانه و هفتگي در ايستگاه سينوپتيك بابلسر بررسي گرديد. با توجه به ساختار سري زماني داده هاي ورودي، دو تابع موجك مادر كويفلت و دوبشي مرتبه ششم در سطوح تجزيه 3 تا 8 انتخاب شدند. به منظور ارزيابي مدل هاي ارائه شده از چهار شاخص ضريب همبستگي (R)، شاخص توافق (Ia)، ضريب ناشساتكليف (NSE) و جذر متوسط مربعات خطا (RMSE) استفاده شد. نتايج حاصل از اين پژوهش نشان داد كه با وجود اين كه كليه مدل هاي منفرد، كارايي مطلوبي در مدلسازي تبخيرتعرق دارند، استفاده از فرآيند پيش پردازش موجك، در تمامي موارد موجب ارتقاي عملكرد مدل هاي منفرد شده و همچنين باعث مي شود تا سناريوهاي ورودي ساده تر هم نتايج مطلوب تري ارائه كنند. به عنوان مثال در سناريوي ورودي سوم (سرعت باد، دماي حداكثر، رطوبت نسبي و نقطه شبنم) استفاده از موجك دوبشي مرتبه ششم در سطح تجزيه 5 موجب شد تا ضريب همبستگي مدل روزانه از 0.908 به 0.928 ارتقا يافته و همزمان RMSE از 0.833 به 0.722 ميلي متر در روز كاهش يابد. به طور مشابه استفاده از موجك مادر كويفلت مرتبه چهارم در سطح تجزيه 5 موجب شد تا در مدل هفتگي ضريب همبستگي از 0.948 به 0.961 افزايش يافته و ميزان RMSE از 4.55 به 4 ميلي متر در هفته كاهش يابد. از اين رو اين تحقيق، كارايي رضايتبخش هر دو رويكرد منفرد و تركيبي در برآورد تبخيرتعرق دوره هاي زماني روزانه و هفتگي را نشان داد، با اين وجود كاربرد رويكردهاي تركيبي موجب شد تا استفاده از پارامترهاي هواشناسي ساده تر و در دسترس تر هم نتايج رضايتبخشي را ارائه كند.