توانایی مدل برنامه‌ریزی بیان ژن در برآورد میزان تبخیر و تعرق مرجع با حداقل داده‌های هواشناسی

هوش مصنوعی به عنوان یکی از ابزار معتبر در مدلسازی فرایندهای پیچیده غیرخطی، شناخته شده است. در این تحقیق، به منظور بررسی توانایی مدل برنامه ریزی بیان ژن (gene expression programming (gep)) در برآورد میزان تبخیر و تعرق با استفاده از داده های هواشناسی، از دوره آماری 30 سال هواشناسی ایستگاه هواشناسی اهواز، استفاده گردید. روش مرجع برای محاسبه تبخیر و تعرق، روش پنمن مانتیث در نظر گرفته شد. در این تحقیق چهار سناریو با ترکیب های مختلف پارامترهای ورودی مدل مورد بررسی قرار گرفت. در نهایت نتایج نشان داد، بهترین ترکیب پارامترهای ورودی برای مدل برنامه ریزی بیان ژن ، شامل پارامترهای دمای حداقل، دمای حداکثر، رطوبت نسبی و ساعات آفتابی بود . به ازای این پارامترهای ورودی، مقادیر r2، mae و rmse در مرحله آموزش به ترتیب برابر 0.964، 0.421 میلی متر بر روز و 0.507 میلی متر بر روز و در مرحله آزمون (تست) به ترتیب برابر 0.965، 0.419 و 0.506 به دست آمد. بارش تنها پارامتری بود که کمترین اثر را بر میزان تبخیر و تعرق نشان داد، به گونه ای که افزایش این پارامتر به پارامترهای ورودی مدل، باعث تغییر ناچیز (کمتر از یک درصد) در مقادیر شاخص های ارزیابی گردید. به نظر می رسد علت این امر به میزان بارندگی کم این منطقه باشد، به گونه ای که در اکثر ماهها، میزان بارنگی بسیار ناچیز است. در نهایت نتایج این تحقیق نشان داد مدل برنامه ریزی بیان ژن می تواند به عنوان یک ابزار مناسب با دقت خوب برای برآورد میزان تبخیر و تعرق مرجع قرار بگیرد.

ability of gene expression programming model to estimate reference evapotranspiration with minimal meteorological data

amount of reference evapotranspiration using meteorological data, the period of 30-year of ahvaz meteorological station was used. the reference method for calculating evapotranspiration was the penman-monteith method. in this research, four scenarios with different combinations of model input parameters were examined. finally, the results showed that the best combination of input parameters for the gene expression programming model included parameters of minimum temperature, maximum temperature, relative humidity and sunshine hours. for these input parameters, r2, mae, and rmse statistics in the training phase are 0.964, 0.421 mm/d, and 0.507 mm/d, respectively, and in the test phase, they are 0.965, 0.419 mm/d, and 0.506 mm/d, respectively. was obtained rainfall was the only parameter that showed the least effect on the rate of evaporation and transpiration, so that the increase of this parameter to the input parameters of the model caused a slight change (less than one percent) in the values of the evaluation indices. it seems that the reason for this is the low amount of rainfall in this area, so that in most months, the amount of rainfall is very small. finally, the results of this research showed that the gene expression programming model can be used as a suitable tool with good accuracy for estimating reference evaporation and transpiration.