مقایسه شبکه عصبی مصنوعی و روابط تجربی در برآورد تبخیر روزانه

بسیاری از مناطق دنیا دارای آب و هوای خشک و نیمه خشک می باشد. اغلب دریاچه ها، آبگیرها و مخازن نقاط تمرکز فرآیندهای هیدرولوژیکی صورت گرفته در حوضه آبریزشان بوده و در بسیاری از مناطق دنیا، با محدود شدن منابع آب شیرین، مدیران بخش آب به برآورد این شارهای هیدرولوژیکی برای منابع آبی به شدت کوچک احتیاج دارند. با تخمین دقیق میزان تبخیر از سطوح آزاد آبی می توان با تحلیل حساسیت تبخیر نسبت به هر یک از پارامترهای موثر بر میزان آن به راه های کاهش میزان تبخیر اندیشید و از مقدار آب صرفه جویی شده، که قابل توجه نیز می باشد، استفاده مفید نمود. استفاده از روش های تجربی و روش های مدل سازی ریاضی امروزه به دلیل کمبود آمار واقعی ثبت شده گسترش پیدا کرده است. در این مقاله کارایی مدل شبکه عصبی مصنوعی (ANN) در مقایسه با روش های تجربی به منظور برآورد تبخیر روزانه مورد بررسی قرار گرفته است. به این منظور ابتدا از گاماتست (GT) برای تببین میزان اثر هر پارمتر ورودی از نظر مقدار و جهت روی نتایج مدل های شبکه عصبی و نیز تشخیص بهترین ترکیبات ورودی استفاده شد. متغیرهای هیدرولوژیکی استفاده شده شامل مشاهدات روزانه کمیت های دمای هوا، ساعت آفتابی، بارش، فشار هوا، رطوبت نسبی و سرعت باد در ایستگاه سینوپتیک دهلران طی سال های آبی 73-1372 تا 93-1392 بودند. نتایج روشهای کلاسیک ( پنمن و استیفان - استیوارت ) و مدل های شبکه عصبی با مقادیر تبخیر روزانه مقایسه شد. نتایج ارزیابی مدل ها در دوره آزمون، نشان داد که مدل ANN و معادله استیفان - استیوارت به ترتیب با R2 برابر با 0/785 و 0/737 و RMSE برابر با 3/379 و 3/77 میلیمتر بر روز بیشترین تطابق را با داده های مشاهداتی دارند.

کلیدواژه ها:

گاماتست ، تبخیر ، شبکه عصبی مصنوعی (ANN)