ارزیابی مدل هیبریدی ANN-PSO و روش های مختلف داده کاوی در برآورد تبخیر و تعرق ماهانه در دو اقلیم مختلف

تبخیر و تعرق یکی از مولفه های اصلی بیلان آب هر منطقه و برآورد دقیق آن در مطالعات هیدرولوژیکی، طراحی سامانه های آبیاری و زهکشی و برنامه ریزی سامانه های آبیاری بسیار ضروری است. در این تحقیق به ارزیابی مدل درختی M5، M5 Rules، K Star، Rep Tree، مدل شبکه عصبی مصنوعی و مدل ترکیبی شبکه عصبی ANN-PSO در تخمین تبخیر و تعرق مرجع در دو نقطه اقلیمی مختلف در استان مرکزی بر مبنای مدل پنمن مونتیث فایو پرداخته شد. داده های مورد استفاده شامل دمای حداقل و حداکثر، رطوبت نسبی میانگین، سرعت باد در ارتفاع دو متری و ساعات آفتابی به عنوان ورودی مدل از ایستگاه سینوپتیک دلیجان و تفرش بین سال های 2021-2004 بودند و تبخیر و تعرق محاسبه شده از روش پنمن مونتیث فایو به عنوان خروجی مدل ها استفاده شد. برای ارزیابی مدل-ها از شاخص های جذرمیانگین مربعات خطا (RMSE)، میانگین انحراف مطلق (MAE) و ضریب همبستگی (R) استفاده شد. تجزیه وتحلیل نتایج نشان داد که برای هر دو ایستگاه، مدل ترکیبی شبکه عصبی ANN-PSO با RMSE=0.3115، MAE=0.2441 و R=0.9989 برای ایستگاه دلیجان و RMSE=0.2915، MAE=0.2355 و R=0.9989 برای ایستگاه تفرش و مدل درختی M5 باRMSE=0.2793 ، MAE=0.2398 و R=0.9967 برای ایستگاه دلیجان و RMSE=0.2803، MAE=0.2306 و R=0.9969 برای ایستگاه تفرش بهترین عملکرد را داشتند. همچنین مدل Rep Tree ضعیف ترین عملکرد را در بین مدل های مورد بررسی در این پژوهش داشت. با توجه به اینکه مدل درختی علاوه بر دقت مطلوب، روابط ساده، خطی و قابل فهم تری را برای برآورد تبخیر و تعرق مرجع ارایه می نماید، این مدل برای برآورد تبخیر و تعرق در این منطقه قابل توصیه است.