دانشیار، گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه بیرجند، بیرجند، ایران
چکیده: (726 مشاهده)
تبخیر و تعرق مرجع یکی از متغیرهای مهم در هیدرولوژی و علوم کشاورزی و عامل تعیینکننده در مدیریت منابع آب است. این مطالعه به بررسی مدل هیبریدی شبکه عصبی با الگوریتم بهینهساز خرگوش مصنوعی (ANN-ARO) برای مدلسازی روزانه تبخیر و تعرق مرجع با پارامترهای هواشناسی محدود و مقایسه آن با سایر روشهای هیبریدی یعنی شبکه عصبی مصنوعی با الگوریتم بهینهسازی ذرات (ANN-PSO)، شبکه عصبی مصنوعی با الگوریتم ژنتیک گرهی (ANN-GA) و پنج مدل دادهکاوی دیگر میپردازد. این مدلها با استفاده دادههای آبوهوایی روزانه بلندمدت از سال 2000 تا 2023 در دو اقلیم متفاوت ارزیابی شدند. ایستگاههای مورد بررسی شامل بیرجند (با اقلیم خشک کویری) و مشهد (با اقلیم نیمهخشک سرد) بود. مقایسه آماری نشان داد که با درنظرگرفتن کلیه پارامترهای اقلیمی مدل هیبریدی ANN-AROدر شهر مشهد با 9986/0R2=و 0001/0MSE=و در شهر بیرجند با 9986/0R2= و 0001/0MSE= تخمینهای بهتری را نسبت به سایر روشها داشت. همچنین الگوریتم بهینهسازی ANN_AROبا درنظرگرفتن حداقل پارامتر هواشناسی، بهترتیب با "دما" و "رطوبت نسبی" بهترین تخمین را داشته و همچنین با درنظرگرفتن دو و سه پارامتر ورودی، عملکرد بهتری نسبت به سایر روشها دارد. بهطورکلی، الگوریتمهای بهینهسازی الهامگرفته از طبیعت ابزارهای قوی برای افزایش عملکرد ANNدر شبیهسازی EToهستند و مطابق یافتههای این پژوهش، مدل ANN-AROبرای تخمین تبخیر و تعرق مرجع در مناطق اقلیمی مشابه با دادههای اقلیمی محدود توصیه میشوند. این مطالعه مدلهای قدرتمندی را برای تخمین دقیق EToبا ورودیهای محدود در اقلیمهای خشک و نیمهخشک پیشنهاد میکند که مفاهیمی عملی برای توسعه کشاورزی دقیق ارائه میدهد.