بررسی عملکرد مدل‏های مختلف شبکه عصبی مصنوعی در برآورد تلفات تبخیر از تشت در محدوده دریاچه سد شهید رجایی

تبخیر یکی از مولفه‌های اصلی چرخه‌ی آب در طبیعت است که نقشی اساسی در مطالعات کشاورزی، هیدرولوژی، هواشناسی، بهره‌برداری از مخازن، طراحی سیستم‌های آبیاری و زهکشی، زمان‌بندی آبیاری و مدیریت منابع آب ایفا می‌کند. در این پژوهش ترکیب‏های متنوعی از هشت متغیر هواشناسی به‏عنوان ورودی مدل شبکه عصبی مصنوعی برای چهار ایستگاه هواشناسی اطراف سد شهید رجایی شهرستان ساری طی یک دوره 10ساله مورد بررسی قرار گرفت. نتایج حاصل از شاخص‌های آماری مدل ها، دیاگرام پراکنش و میزان تبخیر روزانه برآورد شده و مشاهداتی نشان داد که در مجموع روش شبکه عصبی توانسته است تبخیر روزانه در چهار ایستگاه مورد مطالعه را با دقت خوبی برآورد کند. با این‌حال بهترین ساختار مدل‌های شبکه عصبی برای چهار ایستگاه سلیمان تنگه، محوطه اداره ساری، فریم صحرا و تلمادره با هفت متغیر ورودی، یک لایه پنهان و به ترتیب 12، 8، 10 و 12 نرون برحسب معیارهای mse و r^2 انتخاب شدند. ضریب همبستگی در ایستگاه های سلیمان‌تنگه، محوطه اداره ساری، فریم صحرا و تلمادره به ترتیب برابر با 0.88، 0.91، 0.92 و 0.89 برای داده‌های روزانه به‏دست آمد. همچنین نتایج حاصل از شبیه سازی تبخیر ماهانه نشان داد که روش شبکه عصبی مصنوعی توانسته است با دقت خوبی تبخیر ماهانه را با ضریب همبستگی به ترتیب 0.98، 0.98، 0.99 و 0.99 با سطح اعتماد 95 درصد به ترتیب برای ایستگاه‌های سلیمان‏تنگه، محوطه اداره ساری، فریم صحرا و تلمادره برآورد نماید.

evaluation the performance of different models of artificial neural network in estimating evaporation losses from pan around the shahid rajaei dam lake

evaporation is one of the main components of the water cycle in nature, which plays a key role in agricultural studies, hydrology, meteorology, reservoir operation, irrigation and drainage systems design, irrigation scheduling and water resources management. in this study, eight types of meteorological parameters as inputs for estimating evaporation from the pan by artificial neural network for four meteorological stations around shahid rajaei dam were investigated. meteorological data were collected for ten years from 4 stations around shahid rajaei dam. the results of statistical criteria of the models, distribution diagram and daily evaporation rate were estimated and observations showed that the neural network method was able to estimate the daily evaporation in the four stations with good accuracy. however, the best structure of neural network models for stations of soleiman tangeh, sari office, frime sahra and telamadreh with seven input variables, one hidden layer and 12, 8, 10 and 12 neurons, respectively, were selected according to mse and r2 criteria. mse and r2 criteria were selected. the correlation coefficients for daily data in soleiman tangeh, sari, sahra and telmadreh stations were extracted 0.88, 0.91, 0.92 and 0.89, respectively. also, the results of monthly evaporation simulation showed that the artificial neural network method was able to calculate the monthly evaporation with correlation coefficients of 0.98, 0.98, 0.99 and 0.99 with 95% confidence level for soleiman tangeh, sari office, frime sahra and telamadreh stations, respectively.