مدل سازی تبخیر- تعرق گیاه پتانسیل با استفاده از شبکه عصبی مصنوعی با حداقل متغیرهای اقلیمی در ایستگاه سینوپتیک مشهد

برآورد تبخیر- تعرق پتانسیل در مواردی مانند برنامه ریزی آبیاری، توازن هیدرولوژیکی، طراحی و مدیریت سیستم های آبیاری و پیش بینی میزان عملکرد محصول ضروری است. تعداد زیاد پارامترهای موثر در برآورد تبخیر- تعرق گیاه پتانسیل و از طرفی اندازه گیری برخی از این پارامترها در بعضی ایستگاه ها، سبب گردیده تا امکان برآورد دقیق آن میسر نباشد. بنابراین در این مقاله، امکان کاربرد شبکه عصبی مصنوعی در برآورد تبخیر- تعرق گیاه پتانسیل با حداقل پارامترهای اقلیمی مورد بررسی قرار گرفته است. به این منظور از شبکه عصبی پرسپترون چندلایه با قانون پس انتشار خطا و داده های ماهانه دمای حداکثر، دمای حداقل، رطوبت نسبی، سرعت باد و تعداد ساعات آفتابی ایستگاه هواشناسی سینوپتیک مشهد، طی دوره آماری 2005-1951 به عنوان ورودی مدل استفاده گردید. همچنین روش فائو پنمن- مانتیث 56 برای برآورد تبخیر- تعرق پتانسیل و استفاده به عنوان خروجی مدل به کار گرفته شد. برای ارزیابی کارایی روش شبکه های عصبی مصنوعی تحت شرایط نبود برخی پارامترهای اقلیمی، نتایج به دست آمده با برآوردهای به دست آمده از روش های هارگریوز- سامانی، بلانی- کریدل، پریستلی- تیلور و ماکینک مقایسه گردید. نتایج نشان دهنده کارایی بهتر شبکه های عصبی مصنوعی نسبت به روش های تجربی در برآورد تبخیر- تعرق گیاه پتانسیل می باشد. براساس نتایج به دست آمده، در صورت کمبود پارامترهای اقلیمی، تنها با اندازه گیری دمای حداقل و حداکثر و محاسبه تابش فرازمینی می توان با خطایی معادل 286/0 میلی متر در روز، برآورد مناسبی از تبخیر- تعرق گیاه پتانسیل با استفاده از شبکه های عصبی مصنوعی در منطقه مورد مطالعه به دست آورد.