پیشبینی تبخیر روزانه یک ابزار تعیین‌کننده و مفید در کشاورزی پایدار و مسائل هیدرولوژیکی، به‌ویژه در طراحی و مدیریت سیستم‌های منابع آب است. بنابراین، در این مطالعه توانایی مدلهای هوش مصنوعی پرسپترون چندلایه (MLP)، رگرسیون بردار پشتیبان (SVR) و مدل ترکیبی رگرسیون بردار پشتیبان با الگوریتم کرم شبتاب (SVR-FFA)در برآورد تبخیر روزانه در ایستگاه تکاب، طی دوره 2020-2002 با استفاده از چهار معیار آماری مورد ارزیابی قرار گرفت. در هر سه مدل بکار گرفته شده، سناریوی برتر مدلی بود که ورودی آن 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 از مولفههای موثر بر پیشبینی تبخیر بوده که باعث کاهش خطا در تمام مدلها شده است. نتایج بهدست آمده نشان داد که سناریو ششم مدلMLPبهترین عملکرد را با کمترین خطا (18/2) نسبت به تمامی مدلها ارائه داد. همچنین نتیجه گرفته شد که سناریو ششم مدل SVR-FFAخطای کمتری (2/2) را نسبت به سایر مدلها داشته است. در بین سناریوهای مدل SVRنیز سناریو ششم کمترین خطا را (27/2)، نسبت به سایر ترکیبات SVRاز خود نشان داد. نتایج حاصل از این پژوهش نشان داد که سناریو ششم مدلMLPبهترین عملکرد را داشته و نیز الگوریتم هیبریدی کرم شبتابباعث بهبود عملکرد رگرسیون بردار پشتیبان در برآورد تبخیر روزانه شد.
sharafi M, samadian fard S. Prediction of daily evaporation using hybrid support vector regression-firefly optimization algorithm and multilayer perceptron. Journal of Rainwater Catchment Systems 2022; 9 (4) : 5 URL: http://jircsa.ir/article-1-438-fa.html
شرفی میلاد، صمدیان فرد سعید. پیش بینی مقادیر تبخیر روزانه با الگوریتم هیبریدی رگرسیون بردار پشتیبان- کرم شب تاب و پرسپترون چندلایه. سامانه‌هاي سطوح آبگير باران. 1400; 9 (4) :53-66
تکمیل و ارسال فرم تعارض منافع نویسنده گرامی ، پس از ارسال مقاله ، جهت دریافت فرم، لطفا بر روی کلمه فرم تعارض منافع کلیک نمایید و پس از تکمیل، در فایل های پیوست مقاله قرار دهید.
