برآورد تبخیر و تعرق در ایستگاه رامسر با شبکه های عصبی چندالیه پرسپترون بهینه شده با روش جستجوی تصادفی

تبخیر و تعرق به عنوان فرآیندهای کلیدی در چرخه آب، تاثیر بسزایی بر منابع آبی و اکوسیستم های طبیعی دارند. برآورد دقیق این پارامترها نه تنها در مدیریت بهینه منابع آب، بلکه در برنامه ریزی های کشاورزی و پیش بینی تغییرات اقلیمی نیز اهمیت دارد. در این تحقیق، ابتدا مقادیر تبخیر-تعرق مرجع با استفاده از داده های هواشناسی و معادله فائو-پنمن-مونتیث و همچنین با استفاده از تصاویر ماهواره ای سنجنده مودیس ۱ طی سال های ۲۰۰۱ تا ۲۰۲۳ استخراج گردید. در این مطالعه، دو سناریو مورد بررسی قرار گرفت که سناریوی اول برای بررسی حساسیت و همبستگی داده های تبخیر-تعرق به دما و سناریوی دوم برای بررسی حساسیت و همبستگی کل پارامترهای هواشناسی شامل دما، رطوبت، سرعت باد و تابش خورشیدی بود. برای برآورد و مدل سازی تبخیر و تعرق، از دو روش شبکه عصبی چندالیه (MLP) و روش جستجوی تصادفی شبکه عصبی چندالیه (Random Search MLP) استفاده گردید. نتایج نشان داد که سناریو دوم که شامل تمامی پارامترهای هواشناسی است، با اختلاف عملکرد بهتری نسبت به سناریو اول که فقط شامل پارامترهای دما بود، داشته است. همچنین دو مدل MLP و Random Search MLP نتایج نسبتا مشابهی را ارائه دادند. مدل Random Search MLP با ریشه ی مربعات خطای نرمال شده برابر با ۰۴۰/۰ نسبت به مدل MLP عملکرد بهتری داشت. این نتایج می توانند به بهبود روش های پیش بینی و مدیریت منابع آب در منطقه کمک کنند.

کلیدواژه ها:

تبخیر-تعرق ، رامسر ، فائو-پنمن-مونتیث ، سنجنده مودیس ، شبکه عصبی پرسپترون چندالیه ، جستجوی تصادفی