مدل سازی تبخیرتعرق با استفاده از رگرسیون خطی، غیرخطی و شبکه عصبی مصنوعی درگلخانه (مطالعه موردی گیاه مرجع، خیار و گوجه فرنگی)

در این مطالعه تبخیرتعرق روزانه گیاه مرجع، گوجه فرنگی و خیار گلخانه ای به روش لایسیمتری در منطقه ارومیه اندازه گیری شد. برای مدل سازی تبخیرتعرق در گلخانه، انواع مدل های رگرسیون های خطی، غیرخطی و شبکه های عصبی مصنوعی در نظر گرفته شد . برای این منظور پارامترهای اقلیمی موثر بر فرایند تبخیرتعرق شامل دما T، رطوبت نسبی RH، فشار هوا P، کمبود فشار بخار اشباع VPD، تشعشع داخل گلخانه SR تعداد روز پس از کشت N اندازه گیری و در نظر گرفته شدند. براساس نتایج، تابع نمایی سه متغیره ازSR و RH ،VPD با RMSE برابر 0/378 میلی متر بر روز، دقیق ترین مدل رگرسیون در تخمین تبخیرتعرق مرجع به دست آمد RMSE مدل بهینه شبکه عصبی مصنوعی در تخمین تبخیر تعرق مرجع برای داده های آزمایش و آزمون به ترتیب 0/089 و 0/364 میلی متر بر روز به دست آمد. در تخمین تبخیرتعرق خیار، عملکرد مدل های لگاریتمی و نمایی به ویژه در تعداد متغیر مستقل زیاد، مناسب بود و دقیق ترین مدل رگرسیون مربوط به تابع نمایی با پنج متغیر RH ،T ،VPD ،N و SR با RMSE برابر با 0/353 میلی متر بر روز به دست آمد. همچنین در تخمین تبخیرتعرق گوجه فرنگی، دقیقترین عملکرد مدل های رگرسیون برای تابع نمایی چهار متغیره از SR و RH ،VPD ،N با RMSE برابر 0/329 میلی متر بر روز به دست آمد . بهترین عملکرد شبکه عصبی مصنوعی برای تخمین تبخیرتعرق هر دو محصول خیار و گوجه فرنگی، با پنج پارامتر ورودی RH ،N ،T ،VPD و SR به دست آمد. مقادیر RMSE داده های آزمون تبخیرتعرق خیار و گوجه فرنگی به ترتیب0/24 و 0/26 میلی متر بر روز به دست آمد که نشان دهنده ی عملکرد دقیق تر شبکه های عصبی در مقایسه با رگرسیون خطی و غیرخطی می باشد.

کلیدواژه ها:

ارزیابی عملکرد ، رگرسیون چندمتغیره ، متغیرهای هواشناسی