برآورد تبخير و تعرق ماهانه گياه مرجع توسط مدل رگرسيون درختي در نواحي مختلف آب و هوايي ايران

تبخير و تعرق يكي از اجزاي اصلي چرخه هيدرولوژي و تخمين نياز آبياري است . در سال هاي اخير استفاده از سيستم هاي هوش مصنوعي براي برآورد پديده هاي هيدرولوژي افزايش چشمگيري داشته است .از اين رو اين تحقيق با هدف امكان سنجي استفاده از مدل رگرسيون درختي در برآورد تبخير و تعرق ماهانه گياه مرجع(ETo) و مقايسه آن با روش پنمن مانتيث فايو در سه ناحيه اقليمي ايران انجام شد. از مزاياي مدل رگرسيون درختي نسبت به ديگر مدل هاي هوش مصنوعي از قبيل شبكه هاي عصبي، عدم نياز به فرايند وقت گير آزمون و خطا و نيز ارايه نتايج به صورت روابط رياضي است. در مطالعه ي حاضر، متوسط ماهانه ي داده هاي حداقل و حداكثر دما، رطوبت نسبي، سرعت باد و تابش خورشيدي به عنوان داده هاي ورودي به مدل در نظر گرفته شده است. نتايج حاصله نشان داد كه ضرايب تعيين مدل هاي توليد شده توسط مدل رگرسيون درختي در برآورد پارامتر تبخير و تعرق مرجع براي نواحي گرمسير، معتدل .و سردسير به-ترتيب برابر است با 78/0 ، 80/0 و 89/0 كه حاكي از توانايي بالاي مدل مذكور است.

Evapotranspiration is one of the main components of hydrologic cycle and its data is needed to determine the irrigation demand. Artificial intelligence system has been widely used to estimate the hydrological events during the recent decades. The aim of this research was to use the regression tree method to estimate the reference evapotranspiration (ETo) and to compare with FAO-Penman-Monteith method in different climatic condition across Iran. One of advantages of the Regression Tree model compared to other intelligent models like Neural Networks is that it lacks the time-consuming process of trial-and-error; and representing the results mathematically. Different data such as monthly minimum, average and maximum temperature, relative humidity, wind speed, and solar radiation were used as input to the model. Finally, the results showed that regression tree model can estimate the reference evapotranspiration for different climatic conditions including arid to semi-arid, temperate, and cold climate conditions with 0.78, 0.8, and 0.89 correlation coefficients, respectively.