بررسی عملکرد الگوریتم هیبریدی بهینه‌سازی خرگوش مصنوعی (ann-aro) در پیش‌بینی تبخیر و تعرق مرجع با پارامترهای اقلیمی محدود

تبخیر و تعرق مرجع یکی از متغیرهای مهم در هیدرولوژی و علوم کشاورزی و عامل تعیین‌کننده در مدیریت منابع آب است. این مطالعه به بررسی مدل هیبریدی شبکه عصبی با الگوریتم بهینه‌ساز خرگوش مصنوعی (ann-aro) برای مدل‌سازی روزانه تبخیر و تعرق مرجع با پارامترهای هواشناسی محدود و مقایسه آن با سایر روش‌های هیبریدی یعنی شبکه عصبی مصنوعی با الگوریتم بهینه‌سازی ذرات (ann-pso)، شبکه عصبی مصنوعی با الگوریتم ژنتیک گرهی (ann-ga) و پنج مدل داده‌کاوی دیگر می‌پردازد. این مدل‌ها با استفاده داده‌های آب‌وهوایی روزانه بلندمدت از سال 2000 تا 2023 در دو اقلیم متفاوت ارزیابی شدند. ایستگاه‌های مورد بررسی شامل بیرجند (با اقلیم خشک کویری) و مشهد (با اقلیم نیمه‌خشک سرد) بود. مقایسه آماری نشان داد که با درنظرگرفتن کلیه پارامترهای اقلیمی مدل هیبریدی ann-aro در شهر مشهد با 0.9986r2= و 0.0001 mse=و در شهر بیرجند با 0.9986r2= و 0.0001mse= تخمین‌های بهتری را نسبت به سایر روش‌ها داشت. هم‌چنین الگوریتم بهینه‌سازی ann_aro با درنظرگرفتن حداقل پارامتر هواشناسی، به‌ترتیب با دما و رطوبت نسبی بهترین تخمین را داشته و هم‌چنین با درنظرگرفتن دو و سه پارامتر ورودی، عملکرد بهتری نسبت به سایر روش‌ها دارد. به‌طورکلی، الگوریتم‌های بهینه‌سازی الهام‌گرفته از طبیعت ابزارهای قوی برای افزایش عملکرد ann در شبیه‌سازی eto هستند و مطابق یافته‌های این پژوهش، مدل ann-aro برای تخمین تبخیر و تعرق مرجع در مناطق اقلیمی مشابه با داده‌های اقلیمی محدود توصیه می‌شوند. این مطالعه مدل‌های قدرتمندی را برای تخمین دقیق eto  با ورودی‌های محدود در اقلیم‌های خشک و نیمه‌خشک پیشنهاد می‌کند که مفاهیمی عملی برای توسعه کشاورزی دقیق ارائه می‌دهد.

investigating the performance of artificial rabbit optimization hybrid algorithm (ann-aro) in forecasting reference evapotranspiration with limited climatic parameters

reference evapotranspiration (eto) is considered one of the important variables in hydrology and agricultural science and is a determining factor in water resources management. this study investigates a hybrid model of an artificial neural network with an artificial rabbit optimization algorithm (ann-aro) for daily modeling of eto with limited meteorological parameters. it compares it with other hybrid methods, i.e. ann with a particle optimization algorithm (ann-pso). ann with genetic algorithm (ann-ga) and five different data mining models. these models were evaluated using long-term daily climate data from 2000 to 2023 in two climates. the investigated stations included birjand (with a desert climate) and mashhad (with a cold semi-arid climate). the statistical comparison showed that considering all climatic parameters, the hybrid ann-aro model in mashhad city with r2=0.9986 and mse=0.0001 and in birjand city with r2=0.9986 and mse=0.0001 gave better estimates than other methods. in addition, the ann_aro optimization algorithm has the best estimation with temperature and relative humidity by considering the minimum meteorological parameter, and also by considering two and three input parameters, it performs better than other methods. in general, nature-inspired optimization algorithms are powerful tools to enhance the performance of ann in eto simulation. according to the results, the ann-aro model is highly recommended for estimating eto in similar climate regions with limited climate data. this study proposes powerful models for accurate estimation of eto with limited inputs in arid and semi-arid climates, which provide practical implications for the development of precision agriculture.