ارزیابی مدل هیبریدی ANN-PSO و روش های مختلف داده کاوی در برآورد تبخیر و تعرق ماهانه در دو اقلیم مختلف

تبخیر و تعرق یکی از مولفه های اصلی بیلان آب هر منطقه و برآورد دقیق آن در مطالعات هیدرولوژیکی، طراحی سامانه های آبیاری و زهکشی و برنامه ریزی سامانه های آبیاری بسیار ضروری است. در این تحقیق به ارزیابی مدل درختی M۵، M۵ Rules، K Star، Rep Tree، مدل شبکه عصبی مصنوعی و مدل ترکیبی شبکه عصبی ANN-PSO در تخمین تبخیر و تعرق مرجع در دو نقطه اقلیمی مختلف در استان مرکزی بر مبنای مدل پنمن مونتیث فائو پرداخته شد. داده های مورد استفاده شامل دمای حداقل و حداکثر، رطوبت نسبی میانگین، سرعت باد در ارتفاع دو متری و ساعات آفتابی به عنوان ورودی مدل از ایستگاه سینوپتیک دلیجان و تفرش بین سال های ۲۰۲۱-۲۰۰۴ بودند و تبخیر و تعرق محاسبه شده از روش پنمن مونتیث فائو به عنوان خروجی مدل ها استفاده شد. برای ارزیابی مدل-ها از شاخص های جذرمیانگین مربعات خطا (RMSE)، میانگین انحراف مطلق (MAE) و ضریب همبستگی (R) استفاده شد. تجزیه وتحلیل نتایج نشان داد که برای هر دو ایستگاه، مدل ترکیبی شبکه عصبی ANN-PSO با RMSE=۰.۳۱۱۵، MAE=۰.۲۴۴۱ و R=۰.۹۹۸۹ برای ایستگاه دلیجان و RMSE=۰.۲۹۱۵، MAE=۰.۲۳۵۵ و R=۰.۹۹۸۹ برای ایستگاه تفرش و مدل درختی M۵ باRMSE=۰.۲۷۹۳ ، MAE=۰.۲۳۹۸ و R=۰.۹۹۶۷ برای ایستگاه دلیجان و RMSE=۰.۲۸۰۳، MAE=۰.۲۳۰۶ و R=۰.۹۹۶۹ برای ایستگاه تفرش بهترین عملکرد را داشتند. همچنین مدل Rep Tree ضعیف ترین عملکرد را در بین مدل های مورد بررسی در این پژوهش داشت. با توجه به اینکه مدل درختی علاوه بر دقت مطلوب، روابط ساده، خطی و قابل فهم تری را برای برآورد تبخیر و تعرق مرجع ارائه می نماید، این مدل برای برآورد تبخیر و تعرق در این منطقه قابل توصیه است.

کلیدواژه ها:

مناطق خشک ، تبخیر و تعرق ، یادگیری ماشین ، محاسبات نرم