برآورد تبخیر و تعرق گیاه مرجع با استفاده از ann و anfis در اقلیم نیمه‌خشک و خشک

برآورد میزان ﺗﺒﺨﯿﺮ و ﺗﻌﺮق (eto) که ﯾﮑﯽ از ﻣﺆﻟﻔﻪ‌ﻫﺎی ﭼﺮﺧﻪ ﻫﯿﺪروﻟﻮژﯾﮏ و هم چنین پارامتری موثر در برنامه‌ریزی آبیاری است، از اهمیت بالایی برخوردار است اما اکثر اوقات محدودیت و یا کمبود داده‌های هواشناسی مانع می‌شود تا بتوان از روش پیشنهادی فائو پنمن مانتیث برای برآورد eto استفاده کرد. در ﻣﻄﺎﻟﻌﻪ ﺣﺎﺿﺮ ﺑﻪ ﺑﺮرﺳﯽ ﻗﺎﺑﻠﯿﺖ شبکه عصبی مصنوعی (ann) و ﺳﯿﺴﺘﻢ اﺳﺘﻨﺘﺎج ﻋﺼﺒﯽ ﻓﺎزی ﺗﻄﺒﯿﻘﯽ (anfis) در ﺑﻬﺒﻮد ﺗﺨﻤﯿﻦ ﻣﯿﺰان eto در شرایط کمبود داده پرداخته شده است. داده‌ﻫﺎی اﻗﻠﯿﻤﯽ در این مطالعه ﺷﺎﻣﻞ ساعت تابش، ﺳﺮﻋﺖ ﺑﺎد، دﻣﺎی ﻫﻮای حداقل، حداکثر و متوسط می‌ﺑﺎﺷﺪ ﮐﻪ در پهنای اقلیمی خشک و نیمه‌خشک از 12 اﯾﺴﺘﮕﺎه سینوپتیک اﺧﺬ ﮔﺮدﯾﺪه و ﺑﻪ ﻋﻨﻮان ورودی‌ﻫﺎی ﻣﺪل ﺑﺮ اﺳﺎس ﻣﻌﺎدﻟﻪ fao56pm در سه حالت ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار ﮔﺮفت. ﻧﺘﺎﯾﺞ ﺣﺎﺻﻞ از ارزیابی مدل‌ها نشان داد که روش‌های هوش مصنوعی نتایج بهتری را نسبت به روش‌های تجربی ارائه می‌دهند همچنین هر دو مدل ann و anfis با داده‌های ورودی دمای متوسط و سرعت باد بهترین نتایج را ارائه می‌دهند و پس از آن به ترتیب ورودی‌های دمای حداقل و حداکثر و ورودی‌های دمای متوسط و ساعت تابش قرار می‌گیرند و بین دو مدل ann و anfis، مدل anfis نتایج بهتری را نشان داد.

Estimation of Reference Crop Evapotranspiration Using ANN and ANFIS in Semi-Arid and Dry Climates

Estimation of evapotranspiration, which is one of the components of the hydrological cycle and also an effective parameter in irrigation planning, is very important, but often the limitation or lack of meteorological data prevents to use of the proposed method of FAO PenmanMonteith. In the present study, Artificial Neural Network (ANN) and AdaptiveNetworkBased Fuzzy Inference System (ANFIS) are discussed in Improvement of estimates the ETo data in the absence of data. Climatic data in this study include radiation hours, wind speed, minimum, maximum, and average air temperature, which were used as model inputs based on the FAO56PM equation in three stances. The data were obtained from 12 synoptic stations in arid and semiarid climates. The results of evaluating the models showed that artificial intelligence methods provide better results than experimental methods. Also, both ANN and ANFIS models provide the best results with average temperature and wind speed input data, followed by minimum and maximum temperature inputs, medium temperature inputs and irradiation hours, respectively. Between ANN and ANFIS models, the ANFIS model Showed better results.