نسرین آزاد طلاتپه - دانشجوی کارشناسی ارشد آبیاری و زهکشی، دانشکده کشاورزی، دانشگاه ارومیه
جواد بهمنش - دانشیار گروه مهندسی آب، دانشکده کشاورزی، دانشگاه ارومیه
مجتبی منتصری - دانشیار گروه مهندسی آب، دانشکده کشاورزی، دانشگاه ارومیه
وحیدرضا وردی نژاد - استادیار گروه مهندسی آب، دانشکده کشاورزی، دانشگاه ارومیه

     تبخیر-تعرق یکیازمولفه­هایمهمدرمصرفمنابعآب در بخش کشاورزیمی­باشد. لذا ارائه روشی که پیش­بینی مناسب و دقیقی از میزان تبخیر-تعرق مرجع را بدهد، می­تواند در اخذتصمیم­ بهینهبرایبرنامه­ریزی منابع آب کمککند. دراینتحقیق،روش­های سری زمانی و شبکه­های عصبی مصنوعی درپیش­بینیتبخیر-تعرق مرجع ماهانهدرایستگاهسینوپتیک ارومیهموردمقایسه قرار گرفتند. بدین منظور در گام نخست بهترین مدل سری زمانی از بین مدل­های ARو ARMAو بهترین مدل شبکه عصبی از بین شبکه­های با تابع پایه شعاعی (RBF) و پرسپترون چندلایه (MLP) انتخاب گردید. در گام دوم دو مدل انتخاب شده با یکدیگر مقایسه شدند. در مدل­های شبکه­ عصبی ذکر شده تاخیر­های ماهانه مختلف از تبخیر-تعرق مرجع به عنوان ورودی شبکه انتخاب گردید. در این فرآیند مقادیرتبخیر-تعرق مرجع ماهانه از سال 1350 تا 1389 با استفاده از روش پنمن مونتیث فائو محاسبه شد. داده­های مذکور از سال1350 تا 1384 برای انتخاب بهترین مدل سری زمانی و بهترین ساختار شبکه­ها استفاده و از داده­های 1385 تا 1389 به­منظور مقایسه روش­ها استفاده گردید. نتایج نشان داد که مدل AR(11)در بین سایر مدل­های سری زمانی عملکرد بهتری داشته و مدل RBFدارای خطای کمتری نسبت به مدل MLPبود. مقایسه بهترین مدل سری زمانی (مدل AR(11)) با بهترین مدل شبکه عصبی (مدل RBF) نشان داد که مدل RBFتوانست مقادیر تبخیر-تعرق مرجع را در دوره 1385 تا 1389 با خطای کمتری پیش­بینی کند. مقدار جذر میانگین مربعات خطا در دو مدل AR(11)و RBFبه ترتیب 85/1 و 999/0 میلی­متر در ماه به دست آمد.

تبخیر-تعرق مرجع, شبکه های با تابع پایه شعاعی, شبکه های پرسپترون چندلایه, مدل های سری زمانی