مقایسه روش های سری زمانی و شبکه عصبی مصنوعی در پیش بینی تبخیر-تعرق مرجع (مطالعه موردی: ارومیه)

تبخیر-تعرق یکیازمولفه هایمهمدرمصرفمنابعآب در بخش کشاورزیمی باشد. لذا ارائه روشی که پیش بینی مناسب و دقیقی از میزان تبخیر-تعرق مرجع را بدهد، می تواند در اخذتصمیم بهینهبرایبرنامه ریزی منابع آب کمککند. دراینتحقیق،روش های سری زمانی و شبکه های عصبی مصنوعی درپیش بینیتبخیر-تعرق مرجع ماهانهدرایستگاهسینوپتیک ارومیهموردمقایسه قرار گرفتند. بدین منظور در گام نخست بهترین مدل سری زمانی از بین مدل های ARو ARMAو بهترین مدل شبکه عصبی از بین شبکه های با تابع پایه شعاعی (RBF) و پرسپترون چندلایه (MLP) انتخاب گردید. در گام دوم دو مدل انتخاب شده با یکدیگر مقایسه شدند. در مدل های شبکه عصبی ذکر شده تاخیر های ماهانه مختلف از تبخیر-تعرق مرجع به عنوان ورودی شبکه انتخاب گردید. در این فرآیند مقادیرتبخیر-تعرق مرجع ماهانه از سال 1350 تا 1389 با استفاده از روش پنمن مونتیث فائو محاسبه شد. داده های مذکور از سال1350 تا 1384 برای انتخاب بهترین مدل سری زمانی و بهترین ساختار شبکه ها استفاده و از داده های 1385 تا 1389 به منظور مقایسه روش ها استفاده گردید. نتایج نشان داد که مدل AR(11)در بین سایر مدل های سری زمانی عملکرد بهتری داشته و مدل RBFدارای خطای کمتری نسبت به مدل MLPبود. مقایسه بهترین مدل سری زمانی (مدل AR(11)) با بهترین مدل شبکه عصبی (مدل RBF) نشان داد که مدل RBFتوانست مقادیر تبخیر-تعرق مرجع را در دوره 1385 تا 1389 با خطای کمتری پیش بینی کند. مقدار جذر میانگین مربعات خطا در دو مدل AR(11)و RBFبه ترتیب 85/1 و 999/0 میلی متر در ماه به دست آمد.