برآورد تبخیر تعرق مرجع روزانه با حداقل داده‌های هواشناسی در اقلیم‌های نیمه خشک منتخب ایران

تخمین صحیح و دقیق تبخیر-تعرق تاثیر بسزایی در مدیریت و برنامه‌ریزی صحیح منابع آب به ویژه در مناطق نیمه خشک و خشک دارد. روش‌های متعددی برای برآورد تبخیرتعرق توسط محققان ارائه شده است. از جمله این روش‌ها می‌توان به انواع معادلات تجربی و روش‌های داده محور اشاره کرد. در این مطالعه از سه روش داده محور شبکه‌های تطبیقی مبتنی بر سیستم استنتاج فازی (anfis)، مدل درختی (m5) و ماشین‌های بردار پشتیبان (svm) و پنج معادله تجربی برای تخمین تبخیرتعرق روزانه در هشت اقلیم نیمه‌خشک ایران استفاده شده است. برای این منظور از داده‌های هواشناسی حداکثر و حداقل دما، رطوبت نسبی، سرعت باد و ساعات آفتابی و 11 ترکیب مختلف این متغیرها بین سال‌های 1980 تا 2009 به عنوان ورودی بــه روش‌های داده محور بــرای مدل‌سازی تبخیرتعرق بهره گرفته شد که 80% داده‌ها برای آموزش و 20% آن‌ها برای آزمون مدل‌ها استفاده شد. سپس نتایج حاصله با مقادیر به دست آمده از معادله استاندارد پنمن مانتیث  فائو 56 مقایسه شدند. عملکرد روش‌های مورد نظر با استفاده از شاخص‌های آماری میانگین مربعات خطا (rmse)، ضریب تبیین (r2) و شاخص توافق (d) مورد بررسی قرار گرفت. روش‌های ماشین بردار پشتیبان و شبکه تطبیقی مبتنی بر سیستم استنتاج فازی در نه ترکیب متغیرهای هواشناسی  بهترین عملکرد را با rmse بین  24/0 تا 55/1 میلی‌متر بر روز ارائه دادند. rmse معادلات تجربی در دامنه بین 71/0 تا 96/5 میلی‌متر بر روز متغیر بودند و از میان آن‌ها معادلات بلانی کریدل و مک گاینسبردنه در غالب ایستگاه‌ها بالاترین دقت را داشتند. همچنین روشm5 نسبت به دو روش anfis و svm در مواجهه با ورودی‌های مختلف در اقلیم‌های مطالعاتی عملکرد پایین‌تری را از خود نشان داد.

Estimation of Daily Reference Evapotranspiration with Limited Meteorological Data in Selected Iran’s Semi-Arid Climates

Accurate estimation of evapotranspiration has a great influence on water resources management and planning, especially in arid and semiarid areas. Different methods have been presented by researchers for evapotranspiration estimation. These include a variety of empirical equations and datadriven methods. In this study to estimate the daily reference evapotranspiration at eight semiarid climates in Iran, three methods based on the adaptive networkbased fuzzy inference system (ANFIS), support vector machines (SVM), and model tree (M5) as well as five empirical equation were used. Meteorological data including maximum and minimum temperatures, relative humidity, wind speed, and the sunshine hours were used. Eleven different combinations of these variables have been used as input variables in datadriven methods for evapotranspiration modeling for the period of 1980 to 2009. Eighty percent of the data were used for the training and twenty percent were used to test the models. The results were compared with those of the standard PenmanMonteith FAO56 equation. Performance of the methods was evaluated using statistical indices of mean square of error (RMSE), coefficient of determination (R2), and index of agreement (d). Support vector machines and adaptive networks based on fuzzy inference system methods presented best performance with RMSE between 0.24~1.55 (mm.day1) in nine combination of meteorological variables. RMSE of empirical equations varied between 0.71~5.96 (mm day1). BlaneyCriddle and McGunnessBordne equation presented the highest accuracy in most stations. M5 model has a lower performance compared to ANFIS and SVM methods in the studied climates.