اندازه گیری و مدل سازی تبخیر- تعرق خیار در شرایط درون گلخانه

فقدان سناریوهای صحیح مدیریتی در زمینه تدوین و اعمال برنامه ریزی های مناسب آبیاری از قبیل تعیین دقیق نیاز آبی گیاهان، منجر به هدر رفت آب و کاهش راندمان آبیاری میگردد. در درون گلخانه این مهم از شرایط خاص درون گلخانه متاثر خواهد بود. در این تحقیق سعی شده تا میزان تبخیر-تعرق گیاه خیار گلخانه ای با استفاده از تکنیک های رگرسیون و شبکه های عصبی مصنوعی برآورد و نتایج با یکدیگر مقایسه گردد . از اینرو همزمان با کاشت خیار در داخل گلخانه از شش میکرولایسیمتر مشابه نیز استفاده شد تا مقادیر واقعی تبخیر-تعرق این گیاه به روش وزنی اندازه گیری شوند. از متوسط داده های سه میکرولایسیمتر برای ساخت توابع رگرسیونی (آموزش شبکه در شبکه عصبی) و از متوسط داده های سه میکرولایسیمتر دیگر برای اعتبارسنجی نتایج استفاده شد. به منظور ارزیابی نتایج به دست آمده از شاخص های ریشه میانگین مربعات خطا RMSE، ضریب کارآیی نش ساتکلیف Ens، درصد انحراف PBIAS و نسبت ریشه میانگین مربعات خطا به انحراف استاندارد PSR استفاده شد. نتایج نشان داد که استفاده از یک تک معادله رگرسیونی برای تخمین تبخیر-تعرق خیار گلخانه ای عملکرد مناسبی به همراه نخواهد داشت. از اینرو دوره رشد خیار به 4 مرحله تقسیم و برای هر دوره معادله جدیدی ارایه شد. ضرایب همبستگی میان مقادیر اندازه گیری و برآورد شده تبخیر-تعرق از 0/4 تمامی دوره رشد بعنوان یک مرحله در رگرسیون تا 0/96 در شبکه عصبی متغیر بود. مقدار تبخیر- تعرق اندازه گیری شده در کل دوره رشد 273/45 میلی متر و مقادیر برآورد شده آن به کمک تکنیک رگرسیون؛ قبل و بعد از تفکیک دوره رشد به ترتیب 275/7 و 275/6 میلی متر و به کمک تکنیک شبکه عصبی 272/45 میلی متر به دست آمد. اگرچه نتایج حکایت از بهبود چشمگیر در برآورد تبخیر-تعرق بواسطه تقسیم بندی دوره رشد خیار گلخانه ای در تکنیک رگرسیون دارد، با اینحال نتایج حاصل از شبکه عصبی بهتر ارزیابی شده است. نتایج آزمون آماری تی تست نشان داد که اختلاف میان مقادیر برآورد شده به کمک تکنیک شبکه عصبی با تکنیک رگرسیون بصورت یکجا و یا زمانی که مراحل رشد تفکیک شود به ترتیب معنی دار و غیر معنی دار بوده است P<0/05 مقادیر شاخص های PSR و PBIAS ،Ens ،RMSE به ترتیب از 1/06، 0/59-، 0/008-، 0/77 در برآورد رگرسیون تا 0/267، 0/033-، 0/003، 0/194 در برآورد شبکه عصبی متغیر بوده است

کلیدواژه ها:

رگرسیون ، شبکه عصبی مصنوعی ، مراحل رشد ، میکرولایسیمتر وزنی