ارایه تکنیک پیش بینی غیر- نظارت شونده در برآورد تبخیر-تعرق گیاه مرجع

تبخیر-تعرق از اجزاء اصلی چرخه هیدرولوژی است و در تعیین نیاز آبی گیاه، مطالعات بیلان آبی و مدیریت منابع آب نقش مهمی دارد. تاکنون روش­های مستقیم و غیر مستقیم متعددی برای برآورد تبخیر تعرق گیاه مرجع ارائه شده است، اما هر یک از این روش ها دارای محدودیت هایی هستند. به عنوان مثال، از محدودیت های روش های اندازه گیری مستقیم می­توان به عدم دقت وسایل اندازه گیری و مسائل مربوط به مقیاس اشاره کرد، در حالیکه روش های غیر مستقیم نظیر معادله پنمن -مانتیث، به پارامترهای اقلیمی روزانه زیادی نیاز دارند. در این تحقیق سعی گردید از روش نگاشت خودسامان به عنوان یک روش شبکه عصبی مصنوعی غیر نظارت شونده در پیش بینی تبخیرتعرق با حداقل پارامترهای هواشناسی به عنوان ورودی، استفاده گردد. براساس شاخص های ارزیابی خوشه بندی فازی، مقادیر eto در مشهد به دو خوشه با تبخیرتعرق کم و زیاد  تقسیم شد که با اقلیم منطقه مطابقت نشان داد. همچنین به منظور ارزیابی کارایی مدل ارائه شده از معیارهای آماری شامل (ریشه میانگین مربعات خطا، ضریب تعیین ومعیار ناشساتکلیف) استفاده گردید و نتایج حاصله با برآوردهای حاصل از مدل های تجربی مقایسه گردید. نتایج حاصله نشان داد که حتی ساده ترین مدل نگاشت خودسامان با ترکیب متوسط دمای هوا و حداکثر ساعات آفتابی به عنوان ورودی نیز خطای کمتری نسبت به معادلات تجربی دارد.

Using Unsupervised Estimator Technique to Predict Reference Crop Evapotranspiration

Evapotranspiration is the main component of hydrologic cycle and has an important role in crop water requirement estimations, water balances studies, and water resource management. There are a lot of direct and indirect methods to estimate reference crop evapotranspiration, but each has some limitations. For exle, limitations that can be mentioned for direct measuring are the insufficient precision in measuring devices and the scale problems. An indirect method like PenmanMonteith on the other hand needs a lot of daily climatic parameters. This research tried to use selforganizing maps as an unsupervised artificial neural network method to predict evapotranspiration by minimum meteorological data input. Based on fuzzy clustering indices, evapotranspiration values in the study area, Mashhad plain, are divided into two clusters with low and high ETo coincided with the climate of the area. Also, in order to validate the model, statistical indices containing root mean square error, determination coefficient, and Nash–Sutcliffe model efficiency coefficient are used and the results are compared with the experimental models output. The results showed that even the simplest SOM model which employs mean temperature and maximum sunshine duration as input have less errors compared to the experimental equations.