پیش بینی مقادیر تبخیر روزانه با الگوریتم هیبریدی رگرسیون بردار پشتیبان- کرم شب تاب و پرسپترون چندلایه

پیش‌بینی تبخیر روزانه یک ابزار تعیین‌کننده و مفید در کشاورزی پایدار و مسائل هیدرولوژیکی، به‌ویژه در طراحی و مدیریت سیستم‌های منابع آب است. بنابراین، در این مطالعه توانایی مدل های هوش مصنوعی پرسپترون چندلایه (mlp)، رگرسیون بردار پشتیبان (svr) و مدل ترکیبی رگرسیون بردار پشتیبان با الگوریتم کرم شب تاب (svr-ffa) در برآورد تبخیر روزانه در ایستگاه تکاب، طی دوره 2020-2002 با استفاده از چهار معیار آماری مورد ارزیابی قرار گرفت. در هر سه مدل بکار گرفته شده، سناریوی برتر مدلی بود که ورودی آن شامل پارامترهای میانگین دما، حداقل دما، حداکثر دما، رطوبت نسبی متوسط​​، حداقل رطوبت نسبی، حداکثر رطوبت نسبی، سرعت باد و ساعات آفتابی بود. در میان پارامترهای ورودی نیز پارامتر ساعات آفتابی از مولفه های موثر بر پیش بینی تبخیر بوده که باعث کاهش خطا در تمام مدل ها شده است. نتایج به دست آمده نشان داد که سناریو ششم مدل mlp بهترین عملکرد را با کمترین خطا (2.18) نسبت به تمامی مدل ها ارائه داد. همچنین نتیجه گرفته شد که سناریو ششم مدل svrffa خطای کمتری (2.2) را نسبت به سایر مدل ها داشته است. در بین سناریوهای مدل svr نیز سناریو ششم کمترین خطا را (2.27)، نسبت به سایر ترکیبات svr از خود نشان داد. نتایج حاصل از این پژوهش نشان داد که سناریو ششم مدل mlp بهترین عملکرد را داشته و نیز الگوریتم هیبریدی کرم شب تاب باعث بهبود عملکرد رگرسیون بردار پشتیبان در برآورد تبخیر روزانه شد.

Prediction of daily evaporation using hybrid support vector regression-firefly optimization algorithm and multilayer perceptron

Prediction of daily evaporation is a valuable and determinant tool in sustainable agriculture and hydrological issues, especially in the design and management of water resources systems. Therefore, in this study, the ability of artificial intelligence models of multilayer perceptron (MLP), support vector regression (SVR), and the hybrid model of support vector regressionfirefly optimization algorithm (SVRFFA), to predict daily evaporation at Takab Station during the period 20022020 based on four statistical criteria have been assessed In all three models, the best scenario was the model whose input included the parameters of average temperature, minimum temperature, maximum temperature, average relative humidity, minimum relative humidity, maximum relative humidity, wind speed, and sunny hours. Among the input parameters, the sunny hours was one of the effective components on the evaporation prediction, which reduced the errors in all models. The results showed that the sixth scenario of the MLP model provided the best performance with the least error (2.18) compared to other models. It was also concluded that the sixth scenario of the SVRFFA model had a lower error (2.20) than the other models. Among the SVR model scenarios, the sixth scenario showed the lowest error (2.27) compared to other SVR combinations. The results of this study showed that the sixth scenario of the MLP model had the best performance and the hybrid firefly algorithm improved the performance of support vector regression in estimating daily evaporation.