تبخیر را می توان نقطه آغازین چرخه هیدرولوژیک آب به شمار آورد، که برآیند مجموعه عوامل اقلیمی و جغرافیایی منطقه هیدرولوژیک می باشد و مستقیماً بر منابع آب اثر بخش است. این پدیده از یک سیستم پیچیده و غیرخطی پیروی می کند، که تخمین دقیق آن بسیار دشوار است. از این رو استفاده از مدل های ریاضی مانند سیستم استنتاج فازی و شبکه عصبی کوهنن با درک رفتار های غیر خطی سیستم برای حل این مشکل مناسب است. طبقه بندی پایگاه اطلاعات بزرگ نظیر ایستگاه های تبخیرسنجی موجب می گردد حجم زیادی از اطلاعات با اختصاص به چند دسته متجانس کوچکتر براحتی در روش های مختلف مدل سازی مورد استفاده قرار گیرد. خوشه بندی در این پ ژوهش با استفاده از داده های اقلیمی منجر به قرار گرفتن ایستگاه های تبخیرسنجی در 7 خوشه گردیده است و بین مقادیرحداکثر شاخصRS و حداقل واریانس محاسباتی خوشه ها همخوانی وجود دارد، بطوریکه نسبت به ضریب تعیین RS و واریانس خوشه ها روش شبکه عصبی کوهنن نسبت به روش فازی نتایج بهتری را نشان می دهد. تبخیر را می توان نقطه آغازین چرخه هیدرولوژیک آب به شمار آورد، که برآیند مجموعه عوامل اقلیمی و جغرافیایی منطقه هیدرولوژیک می باشد و مستقیماً بر منابع آب اثر بخش است. این پدیده از یک سیستم پیچیده و غیرخطی پیروی می کند، که تخمین دقیق آن بسیار دشوار است. از این رو استفاده از مدل های ریاضی مانند سیستم استنتاج فازی و شبکه عصبی کوهنن با درک رفتار های غیر خطی سیستم برای حل این مشکل مناسب است. طبقه بندی پایگاه اطلاعات بزرگ نظیر ایستگاه های تبخیرسنجی موجب می گردد حجم زیادی از اطلاعات با اختصاص به چند دسته متجانس کوچکتر براحتی در روش های مختلف مدل سازی مورد استفاده قرار گیرد. خوشه بندی در این پ ژوهش با استفاده از داده های اقلیمی منجر به قرار گرفتن ایستگاه های تبخیرسنجی در 7 خوشه گردیده است و بین مقادیرحداکثر شاخصRS و حداقل واریانس محاسباتی خوشه ها همخوانی وجود دارد، بطوریکه نسبت به ضریب تعیین RS و واریانس خوشه ها روش شبکه عصبی کوهنن نسبت به روش فازی نتایج بهتری را نشان می دهد.
