شبیه سازی تبخیر تعرق روزانه گیاه مرجع با استفاده از روش هوش مصنوعی و مقایسه آن با روش‌های تجربی (مطالعه موردی: آذربایجان شرقی)

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 می‌باشد، در بسیاری از مطالعات از جمله توازن هیدرولوژیک آب، طراحی و مدیریت سیستم‌های آبیاری، شبیه‌سازی 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 پنمنkp)) برای مدلسازی سیستم غیرخطی تبخیر و تعرق گیاه مرجع (et0) که داده‌های ورودی خروجی آن به صورت روزانه بودند، استفاده شد. سپس نتایج بدست آمده از روش‌های مذکور با داده‌های 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 روش‌های کلاسیک می‌باشد. از دیگر نتایج مطالعه می‌توان به مناسب تر بودن روش دمایی bc نسبت به دیگر مدل‌های 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 می‌دهد.

Simulations reference evapotranspiration using artificial intelligence and comparison with experimental methods (Case Study: East Azerbaijan)

IntroductionReference evaporation and transpiration is one of the important elements of the hydrological cycle, which plays an important role in agricultural studies, water resource management plans, irrigation and drainage network design and water structures (Nuri et al., 2013, Volume twenty, number five, page 12). Due to the small amount of precipitation and the limitation of water resources in Iran, the correct management of water resources is very important and it is necessary to be careful in using water.Data and MethodIn order to carry out this research, daily climatic data during the years 2014 to 2015 of East Azerbaijan (four stations of Maragheh, Midane, Jolfa and Ahar) were prepared from the regional meteorological organization. After normalization and determination of correlation, the data were used in MATLAB software with artificial neural network method with LunbergMarquardt training to 7030 combination for training and simulation. The input data for the simulation of evaporation and transpiration (temperature, sunshine hours, humidity, wind speed) and the work evaluation criteria are RMSE, R2 and MAE, which we gave priority to the data with less error. Results and DiscussionIn this research, the method based on artificial intelligence (ANN) and three experimental models (Penman Monteith Fau (PMF56), Blaney Kridel (BC) and Kimberly Penman (KP) were used to model the nonlinear transpiration evaporation system of the reference plant. The results showed that the artificial intelligence method has better accuracy and speed in estimating ET0 compared to experimental methodsConclusionThe results showed that the artificial intelligence method has better accuracy and speed. Also, comparing the method of artificial neural networks with classical methods, the results indicate the appropriateness of the performance of artificial neural networks.