شبیه سازی تبخیر تعرق روزانه گیاه مرجع با استفاده از روش هوش مصنوعی و مقایسه آن با روش های تجربی (مطالعه موردی: آذربایجان شرقی)

کشور ایران از جمله مناطق خشک و نیمه خشک جهان است و با محدودیت شدید منابع آب مواجه است. تعیین تبخیر و تعرق که یکی از اجزای اصلی چرخه هیدرولوژی می باشد، در بسیاری از مطالعات از جمله توازن هیدرولوژیک آب، طراحی و مدیریت سیستم های آبیاری، شبیه سازی میزان محصول و مدیریت منابع آب از اهمیت بالایی برخوردار است. در پژوهش حاضر از روش شبکه عصبی مصنوعی ANN و سه روش تجربی پنمن مانتیث فایو (PMF56) و بلانی کریدل (BC) کمبرلی پنمنK-P  برای مدلسازی سیستم غیرخطی تبخیر و تعرق گیاه مرجع (ET0) که داده های ورودی- خروجی آن به صورت روزانه بودند، استفاده شد. سپس نتایج بدست آمده از روش های مذکور با داده های تبخیر اندازه گیری شده در منطقه آذربایجان شرقی (ایستگاه مراغه، میانه، اهر و جلفا) تحت واسنجی قرار گرفتند. نتایج نشان داد که روش شبکه عصبی مصنوعی دارای دقت و سرعت بهتر در مدلسازی ET0 در مقایسه با روش های کلاسیک می باشد. از دیگر نتایج مطالعه می توان به مناسب تر بودن روش دمایی BC نسبت به دیگر مدل های تجربی اشاره کرد. همچنین این پژوهش نشان داد مدل ANN با قانون یادگیری لونبرگ مارکوارت نتایج ET0 بهتری را در شرایط اقلیمی مورد مطالعه ارایه می دهد.