مقايسه عملكرد مدل‌هاي رگرسيون فازي با روش پنمن- مانتيث در برآورد تبخير و تعرق ماهانه گياه مرجع در دشت نيشابور

Efficiency Comparison of Fuzzy Regression Models with the Penman-Monteith Method in Estimating of Monthly Reference Evapotranspiration of Neyshabour Plain

در پژوهش حاضر از رهيافت­ هاي رگرسيون فازي به‌ منظور برآورد مقادير تبخير-تعرق گياه مرجع در دشت نيشابور بهره گرفته شد. داده­ها شامل دماي حداكثر (Tmax)، دماي حداقل (Tmin)، دماي متوسط هوا (Tmean)، رطوبت نسبي (RH)، ساعات آفتابي (Rs) و سرعت باد در m 2 از سطح زمين (U2) بود. داده­هاي مورداستفاده از ايستگاه هواشناسي سينوپتيك نيشابور اخذ شده و براي هريك از مدل­هاي رگرسيون امكاني و كم­ترين مربعات فازي، 3 سناريو مختلف جهت برآورد تبخير و تعرق گياه مرجع طراحي شد. براي ارزيابي عملكرد مدل­هاي رگرسيون فازي در مقايسه با روش استاندارد پنمن-مانتيث از ضريب تبيين، ميانگين مربعات خطا و خطاي مطلق ميانگين استفاده شد. نتايج نشان داد مدل رگرسيون امكاني فازي در ماه دي و مدل رگرسيون كم­ترين مربعات فازي در ماه مهر با ضريب تبيين به ­ترتيب 0/903 و 0/502 بيش­ترين و كم‌ترين دقت را داشت. در بين مدل­هاي پيشنهادي جديد، اگرچه مدل رگرسيون امكاني فازي تحت سناريو شماره 1 بالاترين دقت را داشته، اما در هر دو مدل رگرسيون فازي، سناريو 2 علي­رغم دارا بودن پارامترهاي ورودي كمتر (Tmin، RH و Rs)، دقت قابل‌مقايسه‌اي با ساير سناريوها دارد و لذا مي­توان استفاده از آن را در شرايط كمبود داده به‌عنوان رويكرد بهينه در تعيين ETo براي برنامه‌ريزي آبياري و مديريت منابع آب پيشنهاد نمود.

In this study, fuzzy linear and fuzzy least-squres regression approach was employed to estimate the monthly reference evapotranspiration of Neyshabour plain. The data used, including maximum temperature (Tmax), minimum temperature (Tmin), mean temperature (Tmean), relative humidity (RH), solar radiation (Rs) and wind speed (U2), were obtained from synaptic meteorological station of Neyshabour. Three different scenarios were designed to estimate the evapotranspiration for either fuzzy linear or fuzzy least-squres regression models. Mean absolute error (MAE), root mean square error (RMSE), and the coefficient of determination (R2) were used to evaluate the performance fuzzy regression models and its comparison with FAO-56 Penman-Monteith. Results indicated that the fuzzy linear regression model in January and the fuzzy least squares regression model in October had the highest and lowest accuracy with R2 of 0.903 and 0.502, respectively. Among the new proposed models, the fuzzy linear regression under scenario FLR1 (Inputs included Tmax, Tmin, RH and U2) had the highest accuracy, however, in both regression models, despite having lower input parameters (Tmean, RH and Rs), the second scenario, was comparable with other and therefore it can be used in data deficit conditions as an optimal approach in determining ETo for irrigation planning and water resource management.