ارزیابی عملکرد شبکۀ عصبی مصنوعی (ann) و ماشین بردار پشتیبان (svm) در تخمین مقادیر روزانۀ تبخیر (مطالعۀ موردی: ایستگاه‌های هواشناسی تبریز و مراغه)

تبخیر مولفه‏ای اساسی در چرخه هیدرولوژی است و نقش مهمی در مدیریت منابع آب دارد. در این تحقیق عملکرد مدل‏های شبکه عصبی مصنوعی (ann) و ماشین بردار پشتیبان (svm) در تخمین تبخیر روزانه ارزیابی شده است. داده‏های روزانه هواشناسی میانگین دما، سرعت باد، فشار هوا، رطوبت نسبی، بارش، دمای نقطه شبنم، و ساعت آفتابی ایستگاه‏های سینوپتیک تبریز و مراغه، به منزله ورودی مدل‏های ann و svm، برای تخمین تبخیر روزانه استفاده شد. نخست ده ترکیب مختلف از هفت ورودی و سپس ورودی‏های منفرد به منظور تخمین تبخیر به‏کار گرفته شدند. نتایج مدل‏های استفاده‏شده نشان داد که هر دو مدل ann و svm عملکرد قابل قبولی در تخمین تبخیر دارند. ارزیابی نتایج استفاده از ورودی‏های تکی نشان داد که به‏ترتیب کاربردِ پارامترهای میانگین دما و ساعت آفتابی‏ نسبت به پارامترهای دیگر نتایج بهتری در تخمین تبخیر هر یک از ایستگاه‏ها داشته‌ است. بررسی‏های این تحقیق نشان می‏دهد که اگرچه تفاوت معنی‏داری بین نتایج سه تابع کرنل ماشین بردار پشتیبان وجود ندارد، تابع کرنل پایه شعاعی در مقایسه با توابع کرنل دیگر از دقت زیاد و عملکرد بهتری در تخمین تبخیر روزانه برخوردار است.