برآورد تبخير و تعرق با استفاده از مدل‌هاي تجربي، مدل‌سازي آن با شبكه عصبي مصنوعي و مقايسه آن-ها با داده‌هاي لايسيمتري (مطالعه موردي: كشت و صنعت نيشكر سلمان فارسي)

Estimation of Evapotranspiration Using Empirical Models, modeling it with Artificial Neural Network and Their Comparison with Lysimeter Data (Case Study: Salman Farsi Agro-Industry CO)

تبخير و تعرق يك پديده چند متغيره و پيچيده است كه به عوامل متعدد اقليمي بستگي دارد و دقيق‌ترين روش براي برآورد آن، لايسيمتر است. اما استفاده از لايسيمتر، مستلزم وقت و هزينه زيادي است، از اين رو تخمين تبخير و تعرق با استفاده از پارامترهاي هواشناسي و مدل‌هاي تجربي انجام مي-گيرد. اين مدل‌ها داراي ضرايبي هستند كه معرف شرايط منطقه‌اي است كه مدل در آن منطقه، واسنجي شده است؛ لذا كاربرد اين مدل‌ها براي هر منطقه، نياز به بررسي دارد. امروزه شبكه‌هاي عصبي مصنوعي كاربرد بسياري در مسائل مختلف مهندسي آب كه رابطه و الگوي مشخصي بين عوامل مؤثر بر وقوع يك پديده وجود ندارد، پيدا كرده‌اند. هدف از پژوهش حاضر، ارزيابي مدل شبكه عصبي و مدل‌هاي تجربي در برآورد تبخير و تعرق گياه با استفاده از داده‌هاي هواشناسي روزانه و داده‌هاي لايسيمتري 3 ساله (فروردين 1395 تا اسفند 1397)، براي كشت و صنعت نيشكر سلمان فارسي مي‌باشد. نتايج نشان داد كه مدل شبكه عصبي مصنوعي نسبت به مدل‌هاي تجربي به‌كار رفته، عملكرد مناسب‌تري داشته و داراي RMSE، MAE و R2 به ترتيب 125/0، 24/0 و 97/0 برابر ميلي‌متر بر روز مي‌باشد و همچنين در بين مدل‌هاي تجربي، مدل پنمن- فائو- مانتيث با RMSE، MAE و R2 به-ترتيب 07/2، 09/3 و 91/0 برابر ميلي‌متر بر روز در اولويت قرار دارد. همچنين براي ارزيابي دقت مدل شبكه عصبي با كاهش پارامترهاي اقليمي 10 سناريو تعريف شد. نتايج نشان داد از ميان تمامي متغيرهاي هواشناسي، دماي حداكثر، دماي حداقل و سرعت باد اهميت بيش‌تري در برآورد تبخير و تعرق دارند.

Evapotranspiration determination is a key factor for irrigation scheduling, water balance, irrigation system design and management and crop yields simulation. Reference Evapotranspiration is a complex and multivariate phenomenon that depends on climatic factors and most accurate way to estimate it is lysimeter but using Lysimeter requires a lot of time and money, hence the Evapotranspiration estimation is done by meteorological parameters and applying empirical models. These models have the coefficients that each coefficient is representative of regional conditions that equation is calibrated in that area. Nowadays Artificial Neural Networks (ANN) are being applied in several problems of water engineering where there is no clear relationship between effective parameters on the estimation of phenomenon. The purpose of this study was to evaluate Artificial Neural Networks and Experimental models in the estimation of evapotranspiration for Salman Farsi Agro-Industry. based on daily meteorological data and 3-years (March 2016 to March 2019) data from Lysimeter of the station, Evapotranspiration was calculated to above methods. The results of calculations showed that the Artificial Neural Network has better performance than all the empirical models, it has a RMSE, MAE and R2 respectively is equal to 1.25, 0.24 and 0.97 mm/day Also among the empirical models, the Penman-FAO-Monteith model with RMSE, MAE and R2 equal to 2.07 , 3.09 and 0.91 mm/day is a priority. Also, 10 scenarios were defined to evaluate the accuracy of the neural network model by reducing the climatic parameters.