تخمین تبخیر و تعرق پتانسیل گیاه مرجع (Eto) با استفاده از شبکه های عصبی در منطقه اهواز

امروزه شبکه های عصبی کاربردهای بسیاری در مسایل مختلف مهندسی آب که رابطه و الگوی مشخصی بین عوامل موثر بر وقوع یک پدیده وجود ندارد، پیدا کرده است . شبکه عصبی مصنوعی از الگوی شبکه عصبی انسان شبیه سازی شده است، به گونه ای که می تواند پس از آموزش، پارامتر خروجی مورد نظر را با اعمال پارامترهای ورودی بر آورد نماید. تبخیر و تعرق گیاه یکی از اجزای اصلی چرخه هیدرولوژی می باشد و تخمین دقیق آن اهمیت بسیار زیادی در مطالعات طراحی و مدیریت شبکه های آبیاری، برنامه ریزی منابع آب و ... دارد. به دلیل تاثیر متقابل پارامترهای هواشناسی در محاسبه تبخیر و تعرق، تخمین آن یک کار پیچیده و دارای روابط غیر خطی میباشد، از این رو شبکه های عصبی مصنوعی ابزار مناسبی برای تخمین تبخیر و تعرق می باشد . 1375 (دمای ماکزیمم و مینیمم، رطوبت - در این تحقیق با استفاده از آمار روزانه هواشناسی منطقه اهواز در بازه زمانی 1379 نسبی ماکزیمم و مینمم، سرعت باد، ساعات آفتابی) شبکه را آموزش داده و با مقایسه با روش استاندارد و متداول پنمن -مونتیث، تبخیر و تعرق گیاه مرجع بر آورد گردیده است. همچنین در این پژوهش از شبکه عصبی مصنوعی با ساختار پرسپترون چند لایه و الگوریتم یادگیری پس انتشار خطا (BP) با تعداد لایه های پنهان متفاوت، برای پیش بینی ETO گیاه مرجع با استفاده از پارامترهای هواشناسی جهت آموزش و تست شبکه استفده شده است. نتایج حاصل از این بررسی نشان داد که پس از آموزش و آزمون شبکه و با توجه به میزان خطای استاندارد وزن دار (WESEE). می توان با استفاده از شبکه های عصبی، تبخیر و تعرق پتانسیل گیاه مرجع (ETo) را با درصد بسیار کم خطا پیش بینی نمود. همچنین بهترین آرایش شبکه بصورت 1-6-1 و با تابع محرک سیگموئید بدست آمد.

کلیدواژه ها:

تبخیر و تعرق گیاه مرجع ، شبکه عصبی مصنوعی ، پارامترهای هواشناسی و الگوریتم پس انتشار خطا