برآورد تبخير و تعرق گياه مرجع با استفاده از ANN و ANFIS در اقليم نيمه‌خشك و خشك

برآورد ميزان ﺗﺒﺨﯿﺮ و ﺗﻌﺮق (ETo) كه ﯾﮑﯽ از ﻣﺆﻟﻔﻪ‌ﻫﺎي ﭼﺮﺧﻪ ﻫﯿﺪروﻟﻮژﯾﮏ و هم چنين پارامتري موثر در برنامه‌ريزي آبياري است، از اهميت بالايي برخوردار است اما اكثر اوقات محدوديت و يا كمبود داده‌هاي هواشناسي مانع مي‌شود تا بتوان از روش پيشنهادي فائو پنمن مانتيث براي برآورد ETo استفاده كرد. در ﻣﻄﺎﻟﻌﻪ ﺣﺎﺿﺮ ﺑﻪ ﺑﺮرﺳﯽ ﻗﺎﺑﻠﯿﺖ شبكه عصبي مصنوعي (ANN) و ﺳﯿﺴﺘﻢ اﺳﺘﻨﺘﺎج ﻋﺼﺒﯽ ﻓﺎزي ﺗﻄﺒﯿﻘﯽ (ANFIS) در ﺑﻬﺒﻮد ﺗﺨﻤﯿﻦ ﻣﯿﺰان ETo در شرايط كمبود داده پرداخته شده است. داده‌ﻫﺎي اﻗﻠﯿﻤﯽ در اين مطالعه ﺷﺎﻣﻞ ساعت تابش، ﺳﺮﻋﺖ ﺑﺎد، دﻣﺎي ﻫﻮاي حداقل، حداكثر و متوسط مي‌ﺑﺎﺷﺪ ﮐﻪ در پهناي اقليمي خشك و نيمه‌خشك از 12 اﯾﺴﺘﮕﺎه سينوپتيك اﺧﺬ ﮔﺮدﯾﺪه و ﺑﻪ ﻋﻨﻮان ورودي‌ﻫﺎي ﻣﺪل ﺑﺮ اﺳﺎس ﻣﻌﺎدﻟﻪ FAO56PM در سه حالت ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار ﮔﺮفت. ﻧﺘﺎﯾﺞ ﺣﺎﺻﻞ از ارزيابي مدل‌ها نشان داد كه روش‌هاي هوش مصنوعي نتايج بهتري را نسبت به روش‌هاي تجربي ارائه مي‌دهند همچنين هر دو مدل ANN و ANFIS با داده‌هاي ورودي دماي متوسط و سرعت باد بهترين نتايج را ارائه مي‌دهند و پس از آن به ترتيب ورودي‌هاي دماي حداقل و حداكثر و ورودي‌هاي دماي متوسط و ساعت تابش قرار مي‌گيرند و بين دو مدل ANN و ANFIS، مدل ANFIS نتايج بهتري را نشان داد.