محدثه بیدآبادی - گروه مهندسی آب، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات تهران
حسین بابازاده - استاد گروه گروه علوم و مهندسی آب، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
جلال شیری - دانشیار گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران
علی صارمی - استادیار گروه صلوم و مهندسی آب، واحد صلوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران

برآورد میزان تبخیر و تعرق (ETo) که یکی از مولفه های چرخه هیدرولوژیک و هم چنین پارامتری موثر در برنامه ریزی آبیاری است، از اهمیت بالایی برخوردار است اما اکثر اوقات محدودیت و یا کمبود داده های هواشناسی مانع می شود تا بتوان از روش پیشنهادی فائو پنمن مانتیث برای برآورد ETo استفاده کرد. در مطالعه حاضر به بررسی قابلیت شبکه عصبی مصنوعی (ANN) و سیستم استنتاج عصبی فازی تطبیﻘی (ANFIS) در بهبود تخمین میزان ETo در شرایط کمبود داده پرداخته شده است. داده های اقلیمی در این مطالعه شامل ساعت تابش، سرعت باد، دمای هوای حداقل، حداکثر و متوسط می باشد که در پهنای اقلیمی خشک و نیمه خشک از ۱۲ ایستگاه سینوپتیک اخذ گردیده و به عنوان ورودی های مدل بر اساس معادله FAO۵۶-PM در سه حالت مورد استفاده قرار گرفت. نتایج حاصل از ارزیابی مدل ها نشان داد که روش های هوش مصنوعی نتایج بهتری را نسبت به روش های تجربی ارائه می دهند همچنین هر دو مدل ANN و ANFIS با داده های ورودی دمای متوسط و سرعت باد بهترین نتایج را ارائه می دهند و پس از آن به ترتیب ورودی های دمای حداقل و حداکثر و ورودی های دمای متوسط و ساعت تابش قرار می گیرند و بین دو مدل ANN و ANFIS، مدل ANFIS نتایج بهتری را نشان داد.

اقلیم نیمه خشک و خشک, ایستگاه سینوپتیک کرمان, تبخیر و تعرق, سیستم استنتاج تطبیقی عصبی فازی, شبکه عصبی مصنوعی