برآورد تبخیر و تعرق با استفاده از سنجش از دور، شبکه های عصبی مصنوعی و مقایسه نتایج آن با روش پنمن- مانتیث- فائو در باغات مرکبات شمال خوزستان

تبخیر و تعرق یکی از مهمترین عوامل اتلاف آب می باشد. تبخیر و تعرق یک پدیده پیچیده ای است که به عوامل و داده های زیادی بستگی دارد، بنابراین برآورد دقیق میزان تبخیر و تعرق، بسیار مشکل و پرهزینه می باشد. هدف از این مطالعه برآورد تبخیر و تعرق با استفاده از الگوریتم توازن انرژی سطحی برای زمین (سبال) و همچنین ارزیابی عملکرد شبکه های عصبی مصنوعی در برآورد تبخیر و تعرق می باشد. جهت محاسبه میزان سبال تبخیر و تعرق، روش الگوریتم سبال بوسیله تصاویر ماهواره ای مورد استفاده قرار گردید. در این تحقیق از چهار تصویر لندست 8 استفاده شد که مقایسه نتایج بدست آمده از دو روش، سنجش از دور و معادله پنمن مانتیث فائو، نشان می‌دهد که میانگین مربعات خطا 1.54 و میانگین خطای مطلق (mae) 04/1 میلیمتر در روز می‌باشد. برای حل پیچیدگی فرآیند تبخیر، از شبکه‌های عصبی مصنوعی برای پیش­بینی تبخیر از تشت بر اساس داده‌های هواشناسی استفاده گردید. در این تحقیق شبکه پرسپترون با الگوریتم پس انتشار خطا برای آموزش آن استفاده شد. برای آموزش شبکه از داده های اقلیمی روزانه 13 ساله ایستگاه صفی آباد دزفول استفاده شد. نتایج حاصل از محاسبات نشان داد بهترین شبکه، شبکه‌ای با همه ورودی‌ها، با یک لایه پنهان و 28 نرون در لایه میانی می‌باشد. نتایج پیاده سازی این شبکه نشان دهنده، شاخص های آماری معیارهای میانگین مربعات خطا (mse) 0.0032، میانگین خطای مطلق (mae) 0.0445 و ضریب تبین (r2) 0.9609 می‌باشد. مقایسه نتایج بدست آمده از روش شبکه های عصبی مصنوعی با روش پنمن مانتیث فائو نشان می‌دهد که میانگین مربعات خطا (mse) 1.11 و میانگین خطای مطلق (mae) 0.52  میلی متر در روز می‌باشد. این نتایج، بیانگرعملکرد بهتر شبکه‌های عصبی مصنوعی نسبت به روش سنجش از دور در برآورد میزان تبخیر و تعرق می‌باشد.

Estimating of evapotranspiration using remote sensing, artificial neural network and comparison with the experimental method (Penman-Monteith-FAO)

Evaporation waste of water is one of the most important factors. Because evapotranspiration is a complex phenomenon that depends on many factors and data, accurate estimation of evaporation and transpiration, is very difficult and costly. Therefore, the purpose of this study was to estimate evapotranspiration using the surface energy balance algorithm for land (SEBAL) and also evaluate the performance of artificial neural networks. To estimates the Evapotranspiration rate the method of SEBAL Algorithmby using satellite images was applied. For this purpose, four images of Landsat 8 in this study were used that by comparing the results from the two methods, Remote Sensing and PenmanMonteith FAO Equation presented MSE and MAE as respectively 1.54 and 1.04 per day. To solve the complexity of the evaporation process, Artificial Neural Networks was used for forecasting evaporation pan based on meteorological data. Perceptron with Backpropagation algorithm was applied for training it in this study. It used daily climate data that collected during 13 years from a Safi Abad station in Dezful city for network training. The results showed that the best network was the network with all inputs along with a hidden layer and 28 Neurons in the middle layer. The implementation results of this network presented that statistical Indicators were as MSE (0.0032), MAE (0.0445), R2 (0.9609). Comparing the results from Artificial Neural Networks and PenmanMonteith FAO as reference method showed that MSE and MAE were 1.11 and 0.52 mm per day, respectively. These results presents that the performance of Artificial Neural Networks was better than the remote sensing method in the estimation of evapotranspiration rate.