پیش بینی تبخیر-تعرق مرجع روزانه با استفاده از مدل ترکیبی موجک-شبکه عصبی مصنوعی

تبخیر-تعرق گیاه مرجع یکی از مهم‌ترین و موثرترین عوامل در بهینه‌سازی مصرف آب کشاورزی و مدیریت منابع آب می‌باشد. پیش‌بینی تبخیر-تعرق مرجع روزانه می‌تواند در پیش‌بینی نیاز آبی گیاهان و برنامه‌ریزی کوتاه‌مدت آبیاری مورد استفاده قرار گیرد. در سال‌های اخیر استفاده از شبکه‌های عصبی مصنوعی و مدل هیبریدی موجک-عصبی در پیش‌بینی پارامترهای هیدرولوژیکی بسیار متداول شده است. هدف تحقیق حاضر استفاده از مدل‌های شبکه عصبی مصنوعی و موجک-شبکه عصبی در پیش‌بینی تبخیر-تعرق مرجع در بازه 1 تا 28 روز در ایستگاه همدیدی تبریز و مقایسه بین آن‌ها می‌باشد. بدین منظور یک دوره آماری 10 ساله {(2000 الی 2009) که 7 سال (2000-2006) آن برای آموزش و 3 سال (2007-2009)}جهت آزمون و صحت سنجی مدل‌های پیشنهادی} در نظر گرفته شد. برای ایجاد سری زمانی تبخیر-تعرق مرجع روزانه در دوره موردنظر با استفاده از معادله استاندارد پنمن-مانتیث فایو 56 محاسبه گردید. ترکیب‌های متفاوتی از داده‌های ورودی (تاخیرهای مختلف) و انواع موجک‌های مادر مورد ارزیابی قرار گرفت. نتایج پیش‌بینی تبخیر-تعرق مرجع برای یک روز آینده، نشان داد که مدل ترکیبی موجک-عصبی (mm/day 07/0 RMSE= و 999/0R=) در مقایسه با مدل شبکه عصبی مصنوعی (mm/day 69/0 RMSE= و 964/0 R=) دارای توانایی و دقت بالاتری در پیش‌بینی تبخیر-تعرق روزانه برای یک روز آینده می‌باشد. هم چنین نتایج نشان داد که استفاده از تاخیرهای زمانی 1 تا 7 (M7) و 1 تا 6 (M6) روزه بالاترین دقت را ارایه می‌دهند و استفاده از تاخیرهای کم تر و تاخیرهای یک‌ساله دوساله دقت مدل را کاهش می‌دهند. بررسی انواع موجک‌های مادر نیز نشان داد که پیش ‌پردازش داده‌ها با موجک‌ ‌میر به دلیل پیچیدگی بیش تر و تشابه به سری زمانی تبخیر-تعرق مرجع، می‌تواند موجب افزایش دقت، پیش‌بینی گردد. برای پیش‌بینی تبخیر-تعرق مرجع در 2 تا 28 روز آینده، مدل موجک-شبکه عصبی پیشنهادی مورد استفاده قرار گرفت. نتایج نشان داد که با بیشتر شدن زمان پیش‌بینی از 2 تا 28 روز، دقت مدل‌ها کاهش (R از 997/0 برای 2 روز تا 929/0 برای 28 روز) می‌یابد. هم چنین در پیش‌بینی‌های 2 تا 12 روزه استفاده از تاخیرهای سالانه موجب کاهش دقت مدل گردید، درحالی‌که در پیش‌بینی‌های 13 تا 28 روزه استفاده از تاخیر زمانی سالانه افزایش دقت مشاهده گردید. در نهایت برای مقایسه مدل‌ها از نظر آماری، آزمون‌های t و F برای مقایسه میانگین و واریانس انجام گرفت. نتایج مقایسه نشان داد که کلیه مدل‌های پیشنهادی در سطوح 99 و 95 درصد تفاوت معنی‌داری وجود ندارد.