ارائه یک ضریب اصلاحی برای بهبود دقت روش هارگریوز در برآورد تبخیر و تعرق مرجع

تبخیر تعرق یکی از مهم‌ترین اجزای چرخه هیدرولوژی است که برآورد آن در مدیریت منابع آب نقش مهمی دارد. در تحقیق حاضر امکان بهبود دقت روش هارگریوز جهت برآورد تبخیر تعرق به کمک ضریب اصلاحیk با استفاده از مدل شبکه عصبی مصنوعی و مدل درخت تصمیم m5 مورد بررسی قرار گرفت. این ضریب برابر با نسبت تبخیر تعرق مدل پنمن مونتیث فائو به روش هارگریوز می باشد. داده‌های آب و هوائی مورد استفاده در این تحقیق در بازه‌ی زمانی 2013 2004 از ایستگاه فرخشهر و فرودگاه شهرکرد در استان چهارمحال و بختیاری شامل دمای حداقل، دمای حداکثر و رطوبت نسبی میانگین با اقلیم سرد و خشک اخذ شده است. داده ها به دو قسمت 75 درصد برای آموزش و اعتبار سنجی و 25 درصد برای تست تقسیم شدند. نتایج نشان می‌دهد که شبکه عصبی و مدل درخت تصمیمم عملکرد خوبی در مدلسازی ضریب اصلاحی دارند. قبل از استفاده از ضریب اصلاحی برای ایستگاه فرخشهر ریشه میانگین مربعات خطا مدل هارگریوز نسبت به روش پنمن مونتیث فائو rmse=0/90 بود که این مقدار بعد از استفاده از ضریب اصلاحی به کمک شبکه عصبی به rmse=0/69 و با از استفاده از ضریب اصلاحی به کمک درخت تصمیمم به rmse=0/72 رسید. به طور کلی نتایج نشان داد که بعد از استفاده از ضریب اصلاحی عملکرد مدل هارگریوز بهبود یافته است. نتبج نشان داد که عملکرد شبکه عصبی مصنوعی‌دقیق تر است ولی مدل درختی روابط خطی، ساده‌تر و قابل فهم‌تری را ارائه می‌دهد.

Provide a Adjusted Coefficient to improve the accuracy of the Hargreaves method in the estimation of reference evapotranspiration

Evapotranspiration is one of the most important components of the hydrological cycle, which has an important role in water resource management. In the present study, the accuracy of the Hargreaves method for estimating evapotranspiration with the help of Adjusted coefficient K was investigated using artificial neural network model and M5 decision tree model. The weather data used in this study during the period of 20132004 from Farakhshahr station and Shahrekord airport in Chaharmahal and Bakhtiari province included minimum temperature, maximum temperature and relative humidity with cold and arid climate. Data were divided into 75% for training and validation and 25% for testing. The results show that neural network and decision tree model have good correlation modeling. Before using the Adjusted coefficient for Farkhshahr station, the root mean square of the Hargreaves strain was RMSE = 0.90 according to the PenmanMonteithFAO method, which after applying the Adjusted coefficient using the neural network to RMSE = 0.69 and using The Adjusted coefficient for the decision tree was RMSE = 0 72. In general, the results showed that the Hargreaves model improved after using the Adjusted coefficient. Neutbay showed that the performance of the artificial neural network is more accurate, but the tree model offers linear, easier, and more intelligible relationships.