پیش بینی درازمدت تبخیر-تعرق مرجع ماهانه دوره‌ی 2018-2027، با استفاده از مدل های sarima و شبکه عصبی grnn (مطالعه موردی: ایستگاه سینوپتیک رشت)

سابقه و هدف: تبخیر – تعرق، یک فرایند کلیدی تعادل آب و همچنین یک عنصر مهم از تعادل انرژی است. بنابراین پیش بینی و تخمین تبخیرتعرق در مدیریت آب زراعی، پیش بینی و نظارت بر خشکسالی و توسعه و بهره برداری از منبع های آبیِ موثر، می تواند بسیار با ارزش و کاربردی باشد. هدف از این مطالعه مدل سازی سری زمانی تبخیرتعرق مرجع در ایستگاه سینوپتیک رشت توسط دو مدل sarima و grnn در دوره 1956-2017، و پیش بینی آن برای سال های 2018-2027 می باشد.مواد و روش ها: شهر رشت در منطقه معتدل و مرطوب شمال ایران و در نوار جنوبی دریای خزر واقع است. در این مطالعه از روش تورنت‌وایت اصلاح شده برای برآورد et0 استفاده شده است که پیشتر به نقل از محققان، در برآورد نرخ تبخیرتعرق مرجعِ منطقه‌ی رشت عملکرد مطلوبی بیان کرده ست. میزان تبخیرتعرق در سال های 1956-2017 برآورد شد. دو مدل برای مدل سازی و اعتبارسنجی سری‌‌زمانی et0 انتخاب گردید. مدل sarima از مدل های استوکستیک فصلی و مدل grnn بر پایه‌ی هوش مصنوعی استوار است. ورودی‌های مدل‌ها تا 3 گام زمانی قبل ماهانه و سالانه‌ انتخاب شدند. ماتریس های ورودیهدف، به دو بخش واسنجی (75%) و اعنبارسنجی (25%) تقسیم شدند. تابع acf نشان دهنده وجود روند فصلی در سری ماهانه et0، با دوره‌بازگشت 12 بود. با چهار مرتبه تفاضل گیری مشخص شد که بهترین درجه تفاضل گیری مدل sarima در مرتبه اول می باشد. سایر عملگرهای sarima نیز، اعم از اتورگرسیو و میانگین متحرک فصلی و غیر فصلی، توسط سعی و خطا انتخاب شدند. بهینه‌سازی مدل grnn نیز توسط سعی و خطای پارامتر گستره انجام شد.در این مطالعه معیارهایی همچون rmse، ns و r برای بررسی خطا و همبستگی خروجی های مدل استفاده شد.نتایج و بحث: بهترین مدل از الگوی sarima، مدل sarima(0,0,1)(0,1,1)12 معرفی شد. میزان rmse و ns برای این مدل به‌ترتیب برابر با 8.89 میلی متر و 0.97 بود. مدل grnn با اعمال کل ورودی ها بهترین نتیجه را نشان داد. مقادیر rmse و ns  در بهترین خروجی grnn برابر با 9.22 میلی متر و 0.96 محاسبه شد. تفاوت دو مدل در برآورد کمینه‌ها (ماه‌های ژانویه و فوریه) گزارش شد که بنا برآن sarima عملکرد بهتری داشت. برای مقایسه‌ این دو مدل از دیاگرام تیلور نیز استفاده شد. دیاگرام تیلور نشان داد دقت sarima نه‌تنها در میزان خطا، بلکه در همبستگی و برآورد انحراف معیار مقادیر واقعی، کمی دقیق تر از grnn عمل نموده است. پس از صحت سنجیِ مدل ها و ارزیابیِ عملکرد مطلوبِ آن ها، بهترین مدل‌های مستخرج از sarima و grnn، بجهت پیش‌بینی نرخ تبخیرتعرق مرجعِ 10سال آتی برای (سال های 2018-2027) استفاده شدند. نتیجه‌گیری: نتایج پیش‌بینی‌های بیان شده برای سال های آینده‌ی رشت، وجود روند صعودیِ شدید et0 در سال های 2018-2027 را )نسبت به دوره‌ی 1956-2017( نشان داده‌است. این موضوع افزایش سریع‌ترِ نرخ تبخیرتعرق مرجع را در سال‌های آتی، برای منطقه مرطوب رشت هشدار می‌دهد. به جهت برنامه‌ریزی منابع آب سطحی و زیرزمینی برای استفاده های کشاورزی و زراعی، این مساله بسیار دارای اهمیت بوده و هشداری بسیار جدی برای کشاورزان و مدیران آب در این منطقه خواهد بود.