برآورد تبخیر- تعرق مرجع روزانه با بهره‌گیری از راهبرد ترکیب الگوریتم بهینه‌سازی گرادیان نزولی تصادفی با شبکه عصبی مصنوعی

تبخیر- تعرق مرجع (et0) یک پارامتر مهم در بخش مدیریت آب کشاورزی است. در این بررسی، مدل‌های پرسپترون چندلایه و پرسپترون چندلایه ترکیب شده با الگوریتم گرادیان نزولی تصادفی، برای برآورد تبخیر- تعرق مرجع روزانه در ایستگاه‌های کیش، گرگان و شیراز بررسی شد. برای اعتبارسنجی مدل‌های پیشنهادی، داده‌های هواشناسی در مقیاس روزانه در مدت 23 سال (1402-1379) در ایستگاه‌های یادشده مورد استفاده قرار گرفته که در پنج سناریو شامل ترکیب‌های مختلفی از پارامترهای ورودی و براساس ضریب همبستگی پیرسون به‌کار برده شد. همچنین، مدل‌های منفرد و ترکیبی با استفاده از معیارهایی نظیر ضریب همبستگی(r)، جذر میانگین مربعات خطا(rmse)، ضریب نش‌- ساتکلیف  (nse)و شاخص توافق ویلموت(d) مورد ارزیابی قرار گرفت. ارزیابی نتایج حاصل از این پژوهش نشان داد که سناریو پنجم مدل ترکیبی با داشتن rmse برابر با 1/04، 1/2 و 1/94 میلی‌متر در روز به‌ترتیب در ایستگاه‌های شیراز، گرگان و کیش بهترین عملکرد را در برآورد تبخیر- تعرق مرجع داشته‌ است. همچنین، تجزیه و تحلیل نتایج نشان داد که مدل ترکیبی عملکرد بهتری نسبت به مدل منفرد داشته و به‌عنوان مدلی قابل اعتماد شناخته شد. یافته‌های حاصل از این تحقیق می‌تواند پیامدهای مهمی برای ارزیابی مدل‌های مبتنی بر هوش مصنوعی اعمال شده برای مدیریت مصرف آب کشاورزی و بهره‌گیری پایدار از منابع آبی داشته باشد.

estimation of daily reference evapotranspiration using a hybrid approach combining stochastic gradient descent optimization and artificial neural network

reference evapotranspiration (et₀) is a crucial parameter in agricultural water management. in this study, two modeling approaches were investigated for predicting daily et₀ at the kish, gorgan, and shiraz meteorological stations: (1) a standard multilayer perceptron (mlp) model, and (2) an mlp model optimized using the stochastic gradient descent (sgd) algorithm. a dataset comprising 23 years (2000–2023; 1379–1402 in the iranian calendar) of daily meteorological data was used to develop and validate the models under five different input scenarios, selected based on pearson correlation analysis. model performance was evaluated using multiple statistical metrics, including the correlation coefficient (r), root mean square error (rmse), nash–sutcliffe efficiency (nse), and the willmott agreement index (d). among the tested configurations, the fifth scenario of the combined mlp-sgd model showed the highest accuracy, achieving rmse values of 1.04 mm/day, 1.20 mm/day, and 1.94 mm/day for the shiraz, gorgan, and kish stations, respectively. the results indicate that the combined mlp-sgd model outperformed the standalone mlp model, demonstrating its reliability and effectiveness in predicting reference evapotranspiration. these findings underscore the potential of hybrid artificial intelligence models in improving water resource management and promoting sustainable agricultural practices.