پیش بینی مقادیر تبخیر روزانه با الگوریتم هیبریدی رگرسیون بردار پشتیبان- کرم شب تاب و پرسپترون چندلایه

پیش بینی تبخیر روزانه یک ابزار تعیین کننده و مفید در کشاورزی پایدار و مسایل هیدرولوژیکی، به ویژه در طراحی و مدیریت سیستم های منابع آب است. بنابراین، در این مطالعه توانایی مدل های هوش مصنوعی پرسپترون چندلایه (MLP)، رگرسیون بردار پشتیبان (SVR) و مدل ترکیبی رگرسیون بردار پشتیبان با الگوریتم کرم شب تاب (SVR-FFA) در برآورد تبخیر روزانه در ایستگاه تکاب، طی دوره 2020-2002 با استفاده از چهار معیار آماری مورد ارزیابی قرار گرفت. در هر سه مدل بکار گرفته شده، سناریوی برتر مدلی بود که ورودی آن شامل پارامترهای میانگین دما، حداقل دما، حداکثر دما، رطوبت نسبی متوسط​​، حداقل رطوبت نسبی، حداکثر رطوبت نسبی، سرعت باد و ساعات آفتابی بود. در میان پارامترهای ورودی نیز پارامتر ساعات آفتابی از مولفه های موثر بر پیش بینی تبخیر بوده که باعث کاهش خطا در تمام مدل ها شده است. نتایج به دست آمده نشان داد که سناریو ششم مدل MLP بهترین عملکرد را با کمترین خطا (18/2) نسبت به تمامی مدل ها ارایه داد. همچنین نتیجه گرفته شد که سناریو ششم مدل SVR-FFA خطای کمتری (2/2) را نسبت به سایر مدل ها داشته است. در بین سناریوهای مدل SVR نیز سناریو ششم کمترین خطا را (27/2)، نسبت به سایر ترکیبات SVR از خود نشان داد. نتایج حاصل از این پژوهش نشان داد که سناریو ششم مدل MLP بهترین عملکرد را داشته و نیز الگوریتم هیبریدی کرم شب تاب باعث بهبود عملکرد رگرسیون بردار پشتیبان در برآورد تبخیر روزانه شد.