مدل سازی تبخیرتعرق با استفاده از رگرسیون خطی، غیرخطی و شبکه عصبی مصنوعی در گلخانه (مطالعه موردی گیاه مرجع، خیار و گوجه‌فرنگی)

در این مطالعه تبخیرتعرق روزانه گیاه مرجع، گوجه فرنگی و خیار گلخانه ای به روش لایسیمتری در منطقه ارومیه اندازه گیری شد. برای مدلسازی تبخیرتعرق در گلخانه، انواع مدل های رگرسیون های خطی، غیرخطی و شبکه های عصبی مصنوعی در نظر گرفته شد. برای این منظور پارامترهای اقلیمی موثر بر فرایند تبخیرتعرق شامل دما (t)، رطوبت نسبی (rh)، فشار هوا (p)، کمبود فشار بخار اشباع (vpd)، تشعشع داخل گلخانه (sr)، تعداد روز پس از کشت (n) اندازه گیری و در نظر گرفته شدند. براساس نتایج، تابع نمایی سه متغیره از vpd، rh و sr با rmse برابر 378/0 میلیمتر بر روز، دقیق ترین مدل رگرسیون در تخمین تبخیرتعرق مرجع به دست آمد. rmse مدل بهینه شبکه عصبی مصنوعی در تخمین تبخیرتعرق مرجع برای داده های آزمایش و آزمون به ترتیب 089/0 و 364/0 میلیمتر بر روز به دست آمد. در تخمین تبخیرتعرق خیار، عملکرد مدل های لگاریتمی و نمایی به ویژه در تعداد متغیر مستقل زیاد، مناسب بود و دقیق ترین مدل رگرسیون مربوط به تابع نمایی با پنج متغیر n، vpd، t، rh و sr با rmse برابر با 353/0 میلیمتر بر روز به دست آمد. همچنین در تخمین تبخیرتعرق گوجه فرنگی، دقیق ترین عملکرد مدلهای رگرسیون برای تابع نمایی چهار متغیره از n، vpd، rh و sr با rmse برابر 329/0 میلی‌متر بر روز به دست آمد. بهترین عملکرد شبکه عصبی مصنوعی برای تخمین تبخیرتعرق هر دو محصول خیار و گوجه‌فرنگی، با پنج پارامتر ورودی vpd، t، n، rh و sr به دست آمد. مقادیر rmse داده‌های آزمون تبخیرتعرق خیار و گوجه‌فرنگی به ترتیب 24/0 و 26/0 میلی‌متر بر روز به دست آمد که نشان دهنده‌ی عملکرد دقیق تر شبکه های عصبی در مقایسه با رگرسیون خطی و غیرخطی می باشد.