ارزیابی تاثیر پیش پردازش پارامترهای ورودی به شبکه عصبی مصنوعی ((ANNs با استفاده از روشهای رگرسیون گام به گام و گاما تست به منظور تخمین سریع تر تبخیر و تعرق روزانه

چکیده تبخیر و تعرق (ETo) یکی از اجزای اصلی چرخه ی هیدرولوژیکی است که تعیین صحیح آن در مطالعات بیلان آبی، طراحی سیستم های آبیاری و برنامه ریزی و مدیریت منابع آب برای دست یابی به توسعه ی پایدار نقش به سزایی دارد. تبخیر و تعرق به علت نیاز به فاکتورهای اقلیمی مختلف و اثر متقابل این فاکتورها بر هم دیگر یک پدیده ی غیرخطی و پیچیده است. یکی از مراحل پیچیده در مد ل سازی سیستم های غیرخطی، پیش پردازش پارامتر های ورودی جهت انتخاب ترکیبی مناسب از آن ها است. پیش پردازش داده ها سبب کاهش مراحل سعی و خطا و شناخت مهم ترین پارامترهای موثر بر پدیده ی مورد نظر جهت مدل سازی با استفاده از روش های هوشمند می گردد. در این تحقیق از دو روش رگرسیون گام به گام (FS) و گاماتست (GT) برای پیش پردازش پارامترهای ورودی به شبکه ی عصبی پرسپترون چند لایه (MLP) جهت تخمین ETo روزانه ی ایستگاه سینوپتیک شیراز استفاده شده است. برای ارزیابی تاثیر پیش پردازش پارامترهای ورودی با استفاده از معیارهای مختلف آماری سنجش خطا به مقایسه ی دو مدل ANN-FS و ANN-GT (با پارامترهای پردازش شده) با یکدیگر و هم چنین با مدل ANN که هیچ گونه پیش پردازشی روی پارامترهای ورودی آن انجام نشده است، پرداخته شد. نتایج نشان داد که هر سه مدل از دقت بالایی جهت تخمین ETo روزانه برخوردارند و از میان سه مدل فوق، مدل ANN-GT با مقدار ضریب تبیین (R۲) ۹۹۹۵/۰ و ریشه میانگین مربعات خطا (RMSE) ۰۴۸۳/۰ نسبت به دو مدل دیگر ANN-FS و ANN به ترتیب با مقادیر R۲ برابر با ۹۹۸۴/۰ و ۹۹۹۴/۰ و RMSE برابر با ۰۸۷۴/۰ و ۰۵۴۸/۰ از دقت بالاتری برخوردار است. اگرچه در این تحقیق برتری دقت مدل ANN-GT نسبت به مدل ANN ناچیز است اما توانایی های مشخص نمودن ترتیب اهمیت پارامترهای ورودی، تعیین تعداد تقریبا ۸۰۰ داده ی معنی دار برای آموزش شبکه و یافتن بهترین ترکیب که شامل همه ی پارامترهای ورودی به جز دمای حداکثر می باشد این آزمون را می تواند به عنوان ابزار مفیدی برای پیش پردازش پارامترهای ورودی جهت مدل سازی سربع تر تبخیر و تعرق تبدیل کند. واژه های کلیدی : تبخیر و تعرق پتانسیل، شبکه های عصبی مصنوعی، گاماتست، رگرسیون گام به گام، ایستگاه سینوپتیک شیراز