بررسی عملکرد مدل هیبریدی شبکه عصبی شعله پروانه (ANN-MFO) در تخمین تبخیر و تعرق مرجع در اقلیم نیمه مرطوب (مطالعه موردی: ایستگاه سینوپتیک گرگان)

تبخیر و تعرق (ETo) یکی از مهمترین فرآیندها در چرخه هیدرولوژیکی است که کاربرد ویژه ای در مدیریت پایدار منابع آب دارد. مطالعه حاضر با هدف ارزیابی توانایی تخمین تبخیر و تعرق روزانه در اقلیم نیمه مرطوب با استفاده از یک مدل ترکیبی شامل شبکه عصبی مصنوعی (ANN) ادغام شده با الگوریتم بهینه سازی شعله پروانه (ANN-MFO) انجام می شود. داده های روزانه هواشناسی از ایستگاه سینوپتیک شهرستان گرگان، طی دوره ۲۰۰۰ تا ۲۰۲۳ برای آموزش مدل، آزمایش و اعتبار سنجی استفاده شد. دقت پیش بینی مدل پیشنهادی با سایر الگوریتم های پیشرفته، از جمله الگوریتم ازدحام ذرات (ANN-PSO) و الگوریتم ژنتیک گرهی (ANN-GA) مقایسه شد. نتایج نشان داد که در شرایط استفاده از حداقل پارامتر هواشناسی، مدل هیبریدی ANN-MFO پیشنهادی در کلیه ترکیبات ورودی کارآمدتر بوده و سطوح شبیه سازی بالایی دارد، به طوری که با استفاده از پارامترهای دما و سرعت باد، معیارهای ارزیابی مدل ANN-MFO به صورت ۰/۹۸۸=R۲ و ۰/۰۰۰۳=MSE و با استفاده از پارامترهای ورودی کامل، معادل ۰/۹۹۹=R۲ و ۰/۰۰۰۰=MSE به دست آمد. با توجه به دقت پیش بینی بالا و خطای کم، مدل ترکیبی پیشنهادی می تواند یک تکنیک امیدوارکننده در نظر گرفته شود.

کلیدواژه ها:

محاسبات نرم ، مدل هیبریدی ، شبکه عصبی مصنوعی ، بهینه ساز شعله پروانه ، تبخیر و تعرق