بررسی عملکرد مدل هیبریدی شبکه عصبی شعلۀ پروانه (ann-mfo) در تخمین تبخیر و تعرق مرجع در اقلیم نیمه‌مرطوب (مطالعه موردی: ایستگاه سینوپتیک گرگان)

تبخیر و تعرق (eto) یکی از مهمترین فرآیندها در چرخه هیدرولوژیکی است که کاربرد ویژه‌ای در مدیریت پایدار منابع آب دارد. مطالعه حاضر با هدف ارزیابی توانایی تخمین تبخیر و تعرق روزانه در اقلیم نیمه‌مرطوب با استفاده از یک مدل ترکیبی شامل شبکه عصبی مصنوعی (ann) ادغام شده با الگوریتم بهینه‌سازی شعلۀ پروانه (ann-mfo) انجام می‌شود. داده‌های روزانه هواشناسی از ایستگاه سینوپتیک شهرستان گرگان، طی دوره 2000 تا 2023 برای آموزش مدل، آزمایش و اعتبار سنجی استفاده شد. دقت پیش‌بینی مدل پیشنهادی با سایر الگوریتم‌های پیشرفته، از جمله الگوریتم ازدحام ذرات (ann-pso) و الگوریتم ژنتیک گرهی (ann-ga) مقایسه شد. نتایج نشان داد که در شرایط استفاده از حداقل پارامتر هواشناسی، مدل هیبریدی ann-mfo پیشنهادی در کلیه ترکیبات ورودی کارآمدتر بوده و سطوح شبیه‌سازی بالایی دارد، به‌طوری که با استفاده از پارامترهای دما و سرعت باد، معیارهای ارزیابی مدل ann-mfo به‌صورت 0/988=r2 و 0/0003=mse و با استفاده از پارامترهای ورودی کامل، معادل 0/999=r2 و 0/0000=mse به‌دست آمد. با توجه به دقت پیش‌بینی بالا و خطای کم، مدل ترکیبی پیشنهادی می‌تواند یک تکنیک امیدوارکننده در نظر گرفته شود.