برآورد تبخير و تعرق مرجع با استفاده از مدل هاي تجربي، مدل سازي آن با شبكه عصبي مصنوعي و مقايسه آن ها با داده هاي لايسيمتري در ايستگاه كهريز اروميه

Estimation of Reference Evapotranspiration (ETo) Using Empirical Models, Artificial Neural Network Modeling and Their Comparison with Lysimeter Data in Urmia Kahrizi Station.

يكي از راه‌هاي كاهش تلفات آب در مزارع، برنامه ريزي صحيح آبياري مي باشد و اساس اين برنامه ريزي را برآورد دقيق نياز آبي گياهان تشكيل مي دهد كه ضريبي از تبخير و تعرق مرجع است. تبخير و تعرق مرجع يك پديده چند متغيره و پيچيده است كه به عوامل متعدد اقليمي بستگي دارد و دقيق ترين 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 به كار بردن مدل هاي تجربي انجام مي گيرد. اين مدل ها داراي ضرايبي هستند كه معرف شرايط منطقه اي است كه مدل در آن منطقه، واسنجي شده است؛ لذا كاربرد اين مدل ها براي هر منطقه، نياز به بررسي دارد. با توجه به اينكه تبخير و تعرق، فرآيندي پيچيده و غيرخطي است، لذا استفاده از روش هايي كه بتوانند اين پيچيدگي را مدل سازي نمايند، الزامي به نظر مي‌رسد. به اين منظور در اين تحقيق از شبكه عصبي مصنوعي براي مدل سازي تبخير و تعرق استفاده شد و در اين راستا از نرم افزار MATLAB كمك گرفته شد. هدف از اين تحقيق، ارزيابي شبكه هاي عصبي مصنوعي و 11 روش شناخته شده در تخمين تبخير و تعرق گياه مرجع براي ايستگاه تحقيقاتي كهريز اروميه مي باشد. بر اساس داده هاي اقليمي روزانه و داده هاي 4 ساله لايسيمتري ايستگاه، مقدار تبخير و تعرق به روش‌هاي مذكور محاسبه گرديد، نتايج حاصل از محاسبات نشان داد كه شبكه عصبي مصنوعي نسبت به تمامي روش هاي كلاسيك عملكرد مناسب تري داشته و داراي RMSE، MAE و R2 به ترتيب برابر با 65/9 (ميلي متر در ده روز)، 53/7 (ميلي متر در ده روز) و 804/0 مي‌باشد. همچنين در ميان روش هاي كلاسيك، مدل تورك با RMSE، MAE و R2 به ترتيب برابر با 69/11 (ميلي متر در ده روز) ، 99/8 (ميلي متر در ده روز) و 719/0 در اولويت قرار دارد و روش هاي جنسن- هيس، پنمن- مانتيث- فايو 56 و ... در اولويت هاي بعدي قرار دارند.

One of methods to reduce water losses in fields is correct programming of irrigation and accurately estimate the crop water requirement form the basis of this programming that is the coefficient of Reference Evapotranspiration. 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. According to that the evapotranspiration process is complex and nonlinear, therefore using of methods that can this complexity of modeling, it seems necessary. Therefore in this study was used of artificial neural networks for evapotranspiration modeling and in this context of MATLAB software was used. The purpose of this study was to evaluate artificial neural networks and 11 methods known in the estimation of reference crop evapotranspiration for Urmia Kahrizi Research Station. based on daily meteorological data and 4-years 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 classical methods, it has a RMSE, MAE and R2 respectively is equal to 9.65 (mm/10day) , 7.53 (mm/10day) and 0.804. Also among the classical method, the Turc with the lowest RMSE, MAE and R2 equal to 11.69 (mm/10day) , 8.99 (mm/10day) and 0.719 is a priority. Jensen-Haise, Penman-Monteith-Fao 56 and etc methods has been corrected in the next priorities.