شبیه سازی تبخیر تعرق روزانه گیاه مرجع به روش هوش مصنوعی و روش های تجربی در مقایسه با اندازه گیری های لایسی متری در اقلیم نیمه خشک سرد همدان

در این مقاله از دو روش مبتنی بر هوش مصنوعی شامل شبکه عصبی مصنوعی (ANN) و سیستم استنتاج تطبیقی عصبی- فازی (ANFIS) و دو مدل پنمن مانتیث فائو 56 (PMF56) و بلانی کریدل (BC) برای مدل سازی سیستم غیرخطی تبخیر تعرق گیاه مرجع (ET0) که داده های ورودی خروجی آن به صورت سری زمانی دو ساله (77-1376) بودند، استفاده شد. ساختار شبکه ANN و ANFIS به گونه ای طراحی شدند تا ضمن مقایسه عملکرد آرایه های متفاوت، بتوانند تاثیر مشخصات و رفتار دینامیکی سیستم را در مدل سازی نشان دهند. نتایج به دست آمده از 4 روش با داده های سال های 1376 و 1377 لایسی متر زهکش دار به ابعاد 1 1 25/2 متر برای گیاه مرجع چمن و داده های هواشناسی مشتمل بر دمای حداقل و حداکثر، رطوبت نسبی حداقل و حداکثر، ساعات آفتابی و سرعت باد، در منطقه نیمه خشک سرد همدان تحت واسنجی قرار گرفتند. نشان داده شد که روش های هوش مصنوعی بهتر از روش های کلاسیک قادر به تخمین رفتار سیستم در همه مراحل عملکرد چه مرحله افزایش تبخیر تعرق و چه مرحله کاهش تبخیر تعرق می باشند. افزون بر مزیت یاد شده، روش های هوش مصنوعی دارای دقت و سرعت بهتری در تخمین ET0 در مقایسه با روش های کلاسیک می باشند. آزمون مدل های هوش مصنوعی با داده های کاملا مستقل از داده های مورد استفاده در آموزش شبکه نشان داد که نتایج مدل سازی برای این نوع فرآیند دینامیکی غیرخطی با ضریب همبستگی برابر 95/0، کاملا قابل اعتماد است. از دیگر نتایج این مطالعه می توان به مناسب تر بودن ANN نسبت به ANFIS و همچنین روش دمایی BC نسبت به مدل ترکیبی PMF56 اشاره داشت. همچنین این پژوهش نشان داد که مدل ANN با آرایش1-3-6 و قانون یادگیری پس انتشار پیش خور در مقایسه با مدل بهینه ANFIS با قانون یادگیری پس انتشار، نتایج ET0 بهتری را در شرایط اقلیمی مورد مطالعه ارائه می نماید.