ارزیابی مدل‌های تجربی و هوش مصنوعی در برآورد تبخیر- تعرق مرجع (مطالعه موردی: ایستگاه بروجرد)

فائوپنمن‌مانتیث روشی مبنا، برای برآورد تبخیر-تعرق مرجع است. در خیلی از موارد دسترسی به همه اطلاعات مورد نیاز، مشکل است، لذا جایگزینی مدل‌های با ورودی‌های اولیه کم و دقت مناسب ضرورت می‌یابد. هدف از این پژوهش بررسی قابلیت مدل‌های تجربی، برنامه‌ریزی بیان ژن، رگرسیون گام‌به‌گام و شبکه‌بیزین در برآورد تبخیر-تعرق مرجع است. برای اطلاعات ورودی مدل از اطلاعات روزانه ایستگاه سینوپتیک بروجرد در بازه زمانی 1396-1375 استفاده شد. بر اساس همبستگی بین پارامترهای ورودی و خروجی، شش الگوی ورودی برای مدل‌سازی تعیین شد. نتایج نشان داد از بین مدل‌های تجربی، مدل کیمبرلی‌پنمن دارای عملکرد بهتری است. برنامه‌ریزی بیان ژن با الگوی چهارم و عملگرهای پیش‌فرض مدل، دارای 0.98=r^2 و  0.9=rmse، شبکه‌بیزین با الگوی ششم، دارای 0.91=r^2 و  1.01=rmse و رگرسیون گام‌به‌گام با الگوی ششم دارای 0.91=r^2 و  0.9=rmse در مرحله آموزش دقیق‌ترین الگوها هستند. مقایسه عملکرد مدل‌ها حاکی از برتری مدل برنامه‌ریزی بیان ژن نسبت به بقیه مدل‌ها بود به‌طوری ‌که دارای  متوسط قدر مطلق خطای ‌نسبی (aare) به میزان 0.12 و نسبت میانگین (mr) به میزان 0.94 بود. نتایج به‌دست آمده نشان داد که برنامه‌ریزی بیان ژن دارای توانایی قابل قبولی در تخمین تبخیر-تعرق مرجع تحت شرایط آب‌وهوایی بروجرد بوده و و می‌تواند به‌عنوان یک مدل مناسب ارائه شود.

Evaluation of Experimental Models and Artificial Intelligence in Estimation of Reference Evapotranspiration (Case Study: Boroujerd Station)

The FAO PenmanMonteith is a baseline method to estimate reference evapotranspiration. In many cases, it is difficult to access all data, so replacing simpler models with ‎lower input data and appropriate accuracy is necessary. ‎ The purpose of this study is to investigate the capability of the experimental ‎models, gene expression programming, stepwise regression, and Bayesian network in estimating ‎reference evapotranspiration.‎ In this research, daily information of the Boroujerd synoptic station in the period of 1996 2017 was used as model inputs. ‎Based on the correlation between input and output parameters, six input patterns were ‎determined for modeling. The results showed that the KimberlyPenman model has the ‎best performance among the experimental models.‎ Gene expression programming with fourth pattern ‎‎and Default Model Operators (R2 = 0.98 and RMSE = 0.9), Bayesian Network with sixth pattern (R2=0.91 and RMSE = 1.01), and stepwise regression with sixth pattern have the most accurate patterns at R2 = 0.91 and RMSE = 0.9 in the ‎training stage.‎ Comparison of the performance of the three models showed that the gene expression ‎programming model was superior to the other two models with the Average Absolute Relative Error (AARE) of 0.12 and the Mean Ratio (MR) of 0.94.‎ The results showed that gene expression programming had an acceptable ability to estimate ‎reference evapotranspiration under the weather conditions of Boroujerd and could be introduced as a ‎suitable model.‎