بلانی کریدل

تبخیر و تعرق پتانسیل یکی از عناصر مهم چرخه هیدرولوژیکی است که در طرحهای منابع آب و آبیاری‘ سازه های آبی‘ کشاورزی و ... مدنظر قرار می گیرد. بررسی میزان نوسان دمای هوا و رژیم سالانه آن در مناطق خشک از اهمیت ویژه ای برخوردار است؛ زیرا به سبب کمی بارشهای جوی در این نواحی‘ دما و نوسان آن در ماهها و فصول مختلف سال بطور مستقیم بر پدیده تبخیر و تعرق و در نتیجه نیاز آبی اثر می گذارد. در این تحقیق از داده های هواشناسی ایستگاههای منطقه مورد مطالعه (قصر قند‘ پیرسهراب‘ کجدر سرباز‘ پیشین‘ کهیر‘ طیس‘ باهوکلات) استفاده شده و سپس جهت تعیین مناسبترین روش تبخیر و تعرق پتانسیل در سطح منطقه‘ اقدام به تحلیل نمودارهای مقایسه ای بین روشهای فوق الذکر گردیده است. براساس محاسبات بعمل آمده‘ نتایج کلی ذیل استنتاج شده است: در منطقه بلوچستان جنوبی و در طول سال‘ با فرض وجود آب و با توجه به درجه حرارت‘ امکان فعالیتهای زراعی وجود دارد. بدین ترتیب تبخیر و تعرق پتانسیل برای کل سال از دو روش تورنث وایت و بلانی کریدل محاسبه گردید. روش تورنث وایت نتایج صحیحی برای فصول مختلف ارائه نمی دهد؛ ولی روش بلانی کریدل همبستگی خوبی با روش اندازه گیری مستقیم (طشتک) دارد. همچنین در این مطالعه مشخص می گردد که از غرب و شمال به طرف شرق و جنوب‘ از میزان تبخیر و تعرق کاسته می شود و بطور کلی منطقه بلوچستان جنوبی در تمال ماهها دارای تبخیر و تعرق پتانسیل بالاتر از بارش است.

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.