پیش بینی تبخیر-تعرق مرجع با استفاده از شبکه های عصبی مصنوعی RBF، MLP SVM

تخمین تبخیر-تعرق گیاه مرجع یکی از مهم ترین مولفه ها در بهینه سازی مصرف آب کشاورزی و مدیریت منابع آب است. پیش بینی تبخیر-تعرق مرجع روزانه و هفتگی می تواند در پیش بینی نیاز آبی گیاهان و برنامه ریزی کوتاه مدت آبیاری مورداستفاده قرار گیرد. هدف از این تحقیق، ارزیابی عملکرد سه نوع شبکه عصبی مصنوعی MLP(پرسپترون چندلایه)، RBF (شبکه تابع پایه ای شعاعی)، SVM (ماشین بردار پشتیبان) در پیش بینی تبخیر-تعرق مرجع روزانه و هفتگی در ایستگاه همدیدی تبریز است. برای این منظور از داده های هواشناسی با دوره آماری 39 ساله (2009-1971) استفاده شد. برای آموزش شبکه های عصبی 80 درصد سری های زمانی ایجادشده به تصادف انتخاب و 20 درصد داده ها برای صحت سنجی مدل های پیشنهادی به کار رفتند. برای ایجاد سری زمانی تبخیر-تعرق مرجع روزانه و هفتگی در دوره موردنظر با استفاده از معادله استاندارد پنمن-مانتیث فائو 56 محاسبه گردید. ترکیب های متفاوتی از داده های ورودی (تاخیرهای مختلف) مورد ارزیابی قرار گرفت. نتایج مربوط به پیش بینی روزانه شبکه های عصبی نشان داد شبکه عصبی مصنوعی SVM-RBF kernel با تاخیر زمانی M5 دارای RMSE و R2 به ترتیب برابر با 0/51میلی متر در روز و 0/92 بهترین عملکرد را داشت. همچنین نتایج مربوط به پیش بینی هفت روزه نشان داد که شبکه عصبی MLP با تاخیر زمانی M8 دارای RMSE و R2 به ترتیب برابر با 3/88 میلی متر در هفته و 0/95 دارای بیش ترین دقت بودند.