مدل‌سازي تبخير- تعرق گياه پتانسيل با استفاده از شبكه عصبي مصنوعي با حداقل متغيرهاي اقليمي در ايستگاه سينوپتيك مشهد

Modeling of potential evapotranspiration by Artificial Neural Network from minimum climatic variables in Mashhad synoptic station

برآورد تبخير- تعرق پتانسيل در مواردي مانند برنامه‌ريزي آبياري، توازن هيدرولوژيكي، طراحي و مديريت سيستم‌هاي آبياري و پيش‌بيني ميزان عملكرد محصول ضروري است. تعداد زياد پارامترهاي موثر در برآورد تبخير- تعرق گياه پتانسيل و از طرفي اندازه‌گيري برخي از اين پارامترها در بعضي ايستگاه‌ها، سبب گرديده تا امكان برآورد دقيق آن ميسر نباشد. بنابراين در اين مقاله، امكان كاربرد شبكه عصبي مصنوعي در برآورد تبخير- تعرق گياه پتانسيل با حداقل پارامترهاي اقليمي مورد بررسي قرار گرفته است. به اين منظور از شبكه عصبي پرسپترون چندلايه با قانون پس‌انتشار خطا و داده‌هاي ماهانه دماي حداكثر، دماي حداقل، رطوبت نسبي، سرعت باد و تعداد ساعات آفتابي ايستگاه هواشناسي سينوپتيك مشهد، طي دوره آماري 2005-1951 به‌عنوان ورودي مدل استفاده گرديد. همچنين روش فايو پنمن- مانتيث 56 براي برآورد تبخير- تعرق پتانسيل و استفاده به‌عنوان خروجي مدل به‌كار گرفته شد. براي ارزيابي كارايي روش شبكه‌هاي عصبي مصنوعي تحت شرايط نبود برخي پارامترهاي اقليمي، نتايج به‌دست آمده با برآوردهاي به‌دست آمده از روش‌هاي هارگريوز- ساماني، بلاني- كريدل، پريستلي- تيلور و ماكينك مقايسه گرديد. نتايج نشان‌دهنده كارايي بهتر شبكه‌هاي عصبي مصنوعي نسبت به روش‌هاي تجربي در برآورد تبخير- تعرق گياه پتانسيل مي‌باشد. براساس نتايج به‌دست آمده، در صورت كمبود پارامترهاي اقليمي، تنها با اندازه‌گيري دماي حداقل و حداكثر و محاسبه تابش فرازميني مي‌توان با خطايي معادل 286/0 ميلي‌متر در روز، برآورد مناسبي از تبخير- تعرق گياه پتانسيل با استفاده از شبكه‌هاي عصبي مصنوعي در منطقه مورد مطالعه به‌دست آورد. واژه‌هاي كليدي: تبخير- تعرق پتانسيل، دما، شبكه عصبي مصنوعي، قانون آموزش پس‌انتشار خطا

Potential Evapotranspiration (ETo) determination is a key factor for irrigation scheduling, water balance, irrigation system design and management and crop yields simulation. Many variables needed in estimating evapotranspiration and lack of access to some of the required data has made problems in accurate estimation of ETo in these areas. This paper examines the ability of artificial neural networks (ANNs) in estimating ETo from minimum climatic variables. In this study, Multi Layer Percepteron (MLP) Neural Network used with Back-Propagation learning rule (BP) and the weather parameter data used as input were the mean of monthly maximum temperature, minimum temperature, mean relative humidity, wind speed and actual sunshine duration that were available at Mashhad synoptic weather station, from 1951 to 2005. ETo was estimated by Penman-Monteith and used as output. For evaluation of Neural Network utility under situations of absence of some parameters, a comparison was made between the estimations provided by the Neural Networks models and the following empirical modeles: Hargreaves-Samani, Blaney-Criddle, Makink. Neural Networks have obtained better results than the empirical methods for modeling potential evapotranspiration. Based on these results, under situations of limited climatic parametrs, the Neural Networks was able to estimate ETo properly even with the minimum temperature, maximum temperature and extraterrestrial radiation in the study of area (RMSE=0.286). Keywords: Reference evapotranspiration, Artificial Neural Network, Temperature, Back-propagation learning rule