منیر شیرزاد

کشور ایران از جمله مناطق خشک و نیمه خشک جهان است و با محدودیت شدید منابع آب مواجه است. تعیین تبخیر و تعرق که یکی از اجزای اصلی چرخه هیدرولوژی می باشد، در بسیاری از مطالعات از جمله توازن هیدرولوژیک آب، طراحی و مدیریت سیستم های آبیاری، شبیه سازی میزان محصول و مدیریت منابع آب از اهمیت بالایی برخوردار است. در پژوهش حاضر از روش شبکه عصبی مصنوعیANN و سه روش تجربی پنمن مانتیث فائو (PMF56) و بلانی کریدل(BC) کمبرلی پنمنK-P)) برای مدلسازی سیستم غیرخطی تبخیر و تعرق گیاه مرجع (ET0) که داده های ورودی- خروجی آن به صورت روزانه بودند، استفاده شد. سپس نتایج بدست آمده از روش های مذکور با داده های تبخیر اندازه گیری شده در منطقه آذربایجان شرقی(ایستگاه مراغه، میانه، اهر و جلفا) تحت واسنجی قرار گرفتند. نتایج نشان داد که روش شبکه عصبی مصنوعی دارای دقت و سرعت بهتر در مدلسازی ET0 در مقایسه با روش های کلاسیک می باشد. از دیگر نتایج مطالعه می توان به مناسب تر بودن روش دمایی BC نسبت به دیگر مدل های تجربی اشاره کرد. همچنین این پژوهش نشان داد مدل ANN با قانون یادگیری لونبرگ مارکوارت نتایج ET0 بهتری را در شرایط اقلیمی مورد مطالعه ارائه می دهد.

تبخیر مؤلفه ای اساسی در چرخة هیدرولوژی است و نقش مهمی در مدیریت منابع آب دارد. در این تحقیق عملکرد مدل های شبکة عصبی مصنوعی (ANN) و ماشین بردار پشتیبان (SVM) در تخمین تبخیر روزانه ارزیابی شده است. داده های روزانة هواشناسی میانگین دما، سرعت باد، فشار هوا، رطوبت نسبی، بارش، دمای نقطة شبنم، و ساعت آفتابی ایستگاه های سینوپتیک تبریز و مراغه، به منزلة ورودی مدل های ANN و SVM، برای تخمین تبخیر روزانه استفاده شد. نخست ده ترکیب مختلف از هفت ورودی و سپس ورودی های منفرد به منظور تخمین تبخیر به کار گرفته شدند. نتایج مدل های استفاده شده نشان داد که هر دو مدل ANN و SVM عملکرد قابل قبولی در تخمین تبخیر دارند. ارزیابی نتایج استفاده از ورودی های تکی نشان داد که به ترتیب کاربردِ پارامترهای میانگین دما و ساعت آفتابی نسبت به پارامترهای دیگر نتایج بهتری در تخمین تبخیر هر یک از ایستگاه ها داشته است. بررسی های این تحقیق نشان می دهد که اگرچه تفاوت معنی داری بین نتایج سه تابع کرنل ماشین بردار پشتیبان وجود ندارد، تابع کرنل پایة شعاعی در مقایسه با توابع کرنل دیگر از دقت زیاد و عملکرد بهتری در تخمین تبخیر روزانه برخوردار است.