مقايسه روش هاي سري زماني و شبكه عصبي مصنوعي در پيش بيني تبخير-تعرق مرجع (مطالعه موردي: اروميه)

تبخير-تعرق يكيازمولفه­هايمهمدرمصرفمنابعآب در بخش كشاورزيمي­باشد. لذا ارائه روشي كه پيش­بيني مناسب و دقيقي از ميزان تبخير-تعرق مرجع را بدهد، مي­تواند در اخذتصميم­ بهينهبرايبرنامه­ريزي منابع آب كمككند. دراينتحقيق،روش­هاي سري زماني و شبكه­هاي عصبي مصنوعي درپيش­بينيتبخير-تعرق مرجع ماهانهدرايستگاهسينوپتيك اروميهموردمقايسه قرار گرفتند. بدين منظور در گام نخست بهترين مدل سري زماني از بين مدل­هاي ARو ARMAو بهترين مدل شبكه عصبي از بين شبكه­هاي با تابع پايه شعاعي (RBF) و پرسپترون چندلايه (MLP) انتخاب گرديد. در گام دوم دو مدل انتخاب شده با يكديگر مقايسه شدند. در مدل­هاي شبكه­ عصبي ذكر شده تاخير­هاي ماهانه مختلف از تبخير-تعرق مرجع به عنوان ورودي شبكه انتخاب گرديد. در اين فرآيند مقاديرتبخير-تعرق مرجع ماهانه از سال 1350 تا 1389 با استفاده از روش پنمن مونتيث فائو محاسبه شد. داده­هاي مذكور از سال1350 تا 1384 براي انتخاب بهترين مدل سري زماني و بهترين ساختار شبكه­ها استفاده و از داده­هاي 1385 تا 1389 به­منظور مقايسه روش­ها استفاده گرديد. نتايج نشان داد كه مدل AR(11)در بين ساير مدل­هاي سري زماني عملكرد بهتري داشته و مدل RBFداراي خطاي كمتري نسبت به مدل MLPبود. مقايسه بهترين مدل سري زماني (مدل AR(11)) با بهترين مدل شبكه عصبي (مدل RBF) نشان داد كه مدل RBFتوانست مقادير تبخير-تعرق مرجع را در دوره 1385 تا 1389 با خطاي كمتري پيش­بيني كند. مقدار جذر ميانگين مربعات خطا در دو مدل AR(11)و RBFبه ترتيب 85/1 و 999/0 ميلي­متر در ماه به دست آمد.