مدل‌سازی تبخیر- تعرق گیاه پتانسیل با استفاده از شبکه عصبی مصنوعی با حداقل متغیرهای اقلیمی در ایستگاه سینوپتیک مشهد

برآورد تبخیر- تعرق پتانسیل در مواردی مانند برنامه‌ریزی آبیاری، توازن هیدرولوژیکی، طراحی و مدیریت سیستم‌های آبیاری و پیش‌بینی میزان عملکرد محصول ضروری است. تعداد زیاد پارامترهای موثر در برآورد تبخیر- تعرق گیاه پتانسیل و از طرفی اندازه‌گیری برخی از این پارامترها در بعضی ایستگاه‌ها، سبب گردیده تا امکان برآورد دقیق آن میسر نباشد. بنابراین در این مقاله، امکان کاربرد شبکه عصبی مصنوعی در برآورد تبخیر- تعرق گیاه پتانسیل با حداقل پارامترهای اقلیمی مورد بررسی قرار گرفته است. به این منظور از شبکه عصبی پرسپترون چندلایه با قانون پس‌انتشار خطا و داده‌های ماهانه دمای حداکثر، دمای حداقل، رطوبت نسبی، سرعت باد و تعداد ساعات آفتابی ایستگاه هواشناسی سینوپتیک مشهد، طی دوره آماری 2005-1951 به‌عنوان ورودی مدل استفاده گردید. همچنین روش فایو پنمن- مانتیث 56 برای برآورد تبخیر- تعرق پتانسیل و استفاده به‌عنوان خروجی مدل به‌کار گرفته شد. برای ارزیابی کارایی روش شبکه‌های عصبی مصنوعی تحت شرایط نبود برخی پارامترهای اقلیمی، نتایج به‌دست آمده با برآوردهای به‌دست آمده از روش‌های هارگریوز- سامانی، بلانی- کریدل، پریستلی- تیلور و ماکینک مقایسه گردید. نتایج نشان‌دهنده کارایی بهتر شبکه‌های عصبی مصنوعی نسبت به روش‌های تجربی در برآورد تبخیر- تعرق گیاه پتانسیل می‌باشد. براساس نتایج به‌دست آمده، در صورت کمبود پارامترهای اقلیمی، تنها با اندازه‌گیری دمای حداقل و حداکثر و محاسبه تابش فرازمینی می‌توان با خطایی معادل 286/0 میلی‌متر در روز، برآورد مناسبی از تبخیر- تعرق گیاه پتانسیل با استفاده از شبکه‌های عصبی مصنوعی در منطقه مورد مطالعه به‌دست آورد.واژه‌های کلیدی: تبخیر- تعرق پتانسیل، دما، شبکه عصبی مصنوعی، قانون آموزش پس‌انتشار خطا