پیش بینی درازمدت تبخیر- تعرق مرجع ماهانه دوره ی ۲۰۱۸-۲۰۲۷، با استفاده از مدل های SARIMA و شبکه عصبی GRNN (مطالعه موردی: ایستگاه سینوپتیک رشت)

سابقه و هدف: تبخیر – تعرق، یک فرایند کلیدی تعادل آب و همچنین یک عنصر مهم از تعادل انرژی است. بنابراین پیش بینی و تخمین تبخیر-تعرق در مدیریت آب زراعی، پیش بینی و نظارت بر خشکسالی و توسعه و بهره برداری از منبع­ های آبی موثر، می ­تواند بسیار با ارزش و کاربردی باشد. هدف از این مطالعه مدل سازی سری زمانی تبخیر-تعرق مرجع در ایستگاه سینوپتیک رشت توسط دو مدل SARIMA و GRNN در دوره ۱۹۵۶-۲۰۱۷، و پیش ­بینی آن برای سال ­های ۲۰۱۸-۲۰۲۷ می ­باشد. مواد و روش­ ها: شهر رشت در منطقه معتدل و مرطوب شمال ایران و در نوار جنوبی دریای خزر واقع است. در این مطالعه از روش تورنت وایت اصلاح شده برای برآورد ET۰ استفاده شده است که پیشتر به نقل از محققان، در برآورد نرخ تبخیر-تعرق مرجع منطقه ی رشت عملکرد مطلوبی بیان کرده ست. میزان تبخیر-تعرق در سال­ های ۱۹۵۶-۲۰۱۷ برآورد شد. دو مدل برای مدل سازی و اعتبارسنجی سری زمانی ET۰ انتخاب گردید. مدل SARIMA از مدل­ های استوکستیک فصلی و مدل GRNN بر پایه ی هوش مصنوعی استوار است. ورودی های مدل ها تا ۳ گام زمانی قبل ماهانه و سالانه انتخاب شدند. ماتریس­ های ورودی-هدف، به دو بخش واسنجی (۷۵%) و اعنبارسنجی (۲۵%) تقسیم شدند. تابع ACF نشان دهنده وجود روند فصلی در سری ماهانه ET۰، با دوره بازگشت ۱۲ بود. با چهار مرتبه تفاضل گیری مشخص شد که بهترین درجه تفاضل گیری مدل SARIMA در مرتبه اول می­ باشد. سایر عملگرهای SARIMA نیز، اعم از اتورگرسیو و میانگین متحرک فصلی و غیر فصلی، توسط سعی و خطا انتخاب شدند. بهینه سازی مدل GRNN نیز توسط سعی و خطای پارامتر گستره انجام شد.در این مطالعه معیارهایی همچون RMSE، NS و R برای بررسی خطا و همبستگی خروجی­های مدل استفاده شد. نتایج و بحث: بهترین مدل از الگوی SARIMA، مدل SARIMA(۰,۰,۱)(۰,۱,۱)۱۲ معرفی شد. میزان RMSE و NS برای این مدل به ترتیب برابر با ۸.۸۹ میلی متر و ۰.۹۷ بود. مدل GRNN با اعمال کل ورودی ­ها بهترین نتیجه را نشان داد. مقادیر RMSE و NS  در بهترین خروجی GRNN برابر با ۹.۲۲ میلی متر و ۰.۹۶ محاسبه شد. تفاوت دو مدل در برآورد کمینه ها (ماه های ژانویه و فوریه) گزارش شد که بنا برآن SARIMA عملکرد بهتری داشت. برای مقایسه این دو مدل از دیاگرام تیلور نیز استفاده شد. دیاگرام تیلور نشان داد دقت SARIMA نه تنها در میزان خطا، بلکه در همبستگی و برآورد انحراف معیار مقادیر واقعی، کمی دقیق تر از GRNN عمل نموده است. پس از صحت سنجی مدل­ ها و ارزیابی عملکرد مطلوب آن­ها، بهترین مدل های مستخرج از SARIMA و GRNN، بجهت پیش بینی نرخ تبخیر-تعرق مرجع ۱۰سال آتی برای (سال ­های ۲۰۱۸-۲۰۲۷) استفاده شدند. نتیجه گیری: نتایج پیش بینی های بیان شده برای سال­ های آینده ی رشت، وجود روند صعودی شدید ET۰ در سال­های ۲۰۱۸- ۲۰۲۷ را )نسبت به دوره ی ۱۹۵۶-۲۰۱۷( نشان داده است. این موضوع افزایش سریع تر نرخ تبخیر-تعرق مرجع را در سال های آتی، برای منطقه مرطوب رشت هشدار می دهد. به جهت برنامه ریزی منابع آب سطحی و زیرزمینی برای استفاده­ های کشاورزی و زراعی، این مساله بسیار دارای اهمیت بوده و هشداری بسیار جدی برای کشاورزان و مدیران آب در این منطقه خواهد بود.

Keywords:

پیش بینی درازمدت , تورنت وایت اصلاح شده , دیاگرام تیلور , SARIMA , GRNN