مجتبی شادمانی
صفر معروفی

در این تحقیق، با استفاده از داده های مشاهده شده تشت کلاس A، کاربرد روش های رگرسیون غیر خطی، شبکه های عصبی مصنوعی، سیستم استنتاج فازی- عصبی و هم چنین روش تجربی استیفنز- استوارت، جهت برآورد تبخیر روزانه منطقه کرمان مورد بررسی قرار گرفت. در روش های شبکه عصبی مصنوعی، سیستم استنتاج فازی- عصبی و رگرسیون غیر خطی، مقادیر دما، فشار، رطوبت نسبی، تابش خورشیدی و سرعت باد، با پنج ترکیب مختلف به عنوان متغیرهای ورودی و تبخیر از تشت به عنوان متغیر خروجی به کار گرفته شد. به منظور ارزیابی کارایی روش های به کار رفته، ضمن مقایسه مقادیر برآورد شده و مشاهده شده، هم چنین از شاخص های آماری ضریب تعیین (R۲)، جذر میانگین مربع خطا (RMSE) و میانگین خطای مطلق (MAE) استفاده گردید. با توجه به داده های مورد استفاده مقادیر میانگین ماهانه و سالانه تبخیر منطقه به ترتیب ۲۷۲ و ۳۲۶۳ میلی متر است. نتایج این تحقیق نشان داد که روش فازی- عصبی نسبت به بقیه روش ها، از دقت بیشتری برای برآورد تبخیر از تشت برخودار است. در این مدل، که در آن از تمام متغیرهای ورودی استفاده شده، مقادیر R۲، RMSE و MAE در مرحله آزمون به ترتیب ۸۵/۰، ۶۱/۱ (میلی متر در روز) و ۲۴/۱ (میلی متر در روز) است. تحلیل حساسیت متغیرهای ورودی روش فازی- عصبی نشان داد که مقادیر دما و سرعت باد (به عنوان متغیرهای ورودی) به ترتیب بیشترین تاثیر را بر تبخیر دارا هستند. هم چنین با توجه به دقت کم مدل استیفنز- استوارت، سعی شد که مقادیر ضرایب تجربی آن با استفاده از داده های تابش و دما اصلاح گردد، که نتایج مطلوبی به دست نیامد.

Evaporation estimation, Neuro-fuzzy, Artificial neural network, Non-linear regression, Stephens-Stewart method., برآورد تبخیر، فازی- عصبی، شبکه عصبی مصنوعی، رگرسیون غیر خطی، روش استیفنز- استوارت