ارزیابی عملکرد روش های شبکه عصبی مصنوعی و سیستم استنتاج عصبی-فازی تطبیقی در تخمین تبخیر-تعرق گیاه مرجع در شرایط گلخانه

برآورد دقیق تبخیر-تعرق گیاه مرجع (ETo) یکی از عوامل مهم در مدیریت و برنامه ریزی آبیاری در بخش کشاورزی است. استفاده از روش استاندارد فایو-پنمن-مانتیت برای تخمین ETo، مشروط به در دسترس بودن پارامترهای اقلیمی شامل دما، رطوبت، تابش، سرعت باد و هم-چنین فراهم بودن فرضیات ذکر شده در نشریه فایو 56 است. در بعضی مناطق یا در کشت های کنترل شده گلخانه، اغلب دسترسی به تمام پارامترهای اقلیمی و یا برآوردن فرضیات روش فایو-پنمن-مانتیت امکان پذیر نیست. بنابراین، بهره گیری از روش هایی که با پارامترهای کمتری بتواند تخمین دقیقی از ETo ارایه نماید، ارجح است. پژوهش حاضر با هدف ارزیابی عملکرد دو روش شبکه های عصبی مصنوعی (ANNs) و سیستم استنتاج عصبی-فازی تطبیقی (ANFIS) برای برآورد ETo در گلخانه تحقیقاتی واقع در دانشکده کشاورزی و منابع طبیعی دانشگاه تهران انجام شد. بر اساس پارامترهای اقلیمی اندازه گیری شده در داخل گلخانه، ترکیب های مختلفی ایجاد و شاخص های ارزیابی برای هر روش و سناریو محاسبه گردیدند. بهترین ساختار شبکه عصبی برای سناریو 4 (ورودی های تابش، دما، رطوبت) با 7 نورون در لایه میانی و الگوریتم آموزش تنظیم بیزی به دست آمد. طراحی شبکه های ANFIS با توابع عضویت های مختلف انجام شد. نتایج نشان داد، تفاوت قابل ملاحظه ای بین دقت مدل سازی ETo در روش ANFIS تحت سناریوهای مختلف وجود ندارد. به عبارت دیگر در این روش، حتی با داده های دما و رطوبت نیز می توان با دقت بالایی ETo در داخل گلخانه را شبیه سازی نمود. مقایسه شاخص های ارزیابی بین مدل های ANFIS و ANNs نشان داد، مدل ANFIS عملکرد بهتری نسبت به روش ANNs دارد. به طوری که شاخص جذر میانگین مربعات خطای نسبی (RRMSE)، برای سناریوهای 1 تا 4 در مدل ANFIS به ترتیب برابر با 41/1، 80/0، 06/1 و 01/1 درصد و در مدل ANNs برابر با 70/12، 23/2، 12/2 و 10/2 درصد بود.