میلاد شرفی - دانشجوی دکتری تخصصی، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه ارومیه
سینا بشارت - دانشیار گروه مهندسی آب، دانشکده کشاورزی، دانشگاه ارومیه
کامران زینال زاده - دانشیار گروه مهندسی آب، دانشکده کشاورزی، دانشگاه ارومیه

پیش بینی تبخیر روزانه یک ابزار تعیین کننده و مفید در کشاورزی پایدار و مسائل هیدرولوژیکی، به ویژه در طراحی و مدیریت سیستم های منابع آب می باشد. بنابراین، در این مطالعه توانایی مدل رگرسیون بردار پشتیبان (SVR) و مدل ترکیبی رگرسیون بردار پشتیبان با الگوریتم مگس میوه (SVR-FOA) در برآورد تبخیر روزانه در ایستگاه اهواز، طی دوره ۲۰۲۲-۲۰۰۰ با استفاده از چهار معیار آماری مورد ارزیابی قرار گرفت. ورودی های مورد استفاده شامل پارامترهای میانگین دما، حداقل دما، حداکثر دما، رطوبت نسبی متوسط، حداقل رطوبت نسبی، حداکثر رطوبت نسبی، سرعت باد و ساعات آفتابی بود. در میان پارامترهای ورودی نیز پارامتر ساعات آفتابی و رطوبت نسبی از مولفه های موثر بر پیش بینی تبخیر بوده که باعث کاهش خطا در تمام مدل ها گردیده است. نتایج به دست آمده نشان داد که سناریو ششم مدل SVR-FOA بهترین عملکرد را با کمترین خطا (۱/۲۴) نسبت به تمامی مدل ها ارائه داد. در بین سناریوهای مدل SVR نیز سناریو سوم مدل SVR کمترین خطا را (۱/۴۵)، نسبت به سایر ترکیبات SVR از خود نشان داد. نتایج حاصل از این پژوهش نشان داد که سناریو ششم مدل SVR-FOA بهترین عملکرد را داشته و نیز الگوریتم هیبریدی مگس میوه باعث بهبود عملکرد رگرسیون بردار پشتیبان در برآورد تبخیر روزانه گردید.

پیش بینی، تبخیر، بهینه سازی، الگوریتم مگس میوه، رگرسیون بردار پشتیبان