RT - Journal Article T1 - Comparison of Some Methods for Estimation of Daily Pan Evaporation: Case Study in Kerman Region JF - JSTNAR YR - 2011 JO - JSTNAR VO - 15 IS - 55 UR - http://jstnar.iut.ac.ir/article-1-1544-fa.html SP - 69 EP - 84 K1 - Evaporation estimation K1 - Neuro-fuzzy K1 - Artificial neural network K1 - Non-linear regression K1 - Stephens-Stewart method. AB - در این تحقیق، با استفاده از داده‌های مشاهده شده تشت کلاس A، کاربرد روش‌های رگرسیون غیر خطی، شبکه‌های عصبی مصنوعی، سیستم استنتاج فازی- عصبی و هم‌چنین روش تجربی استیفنز- استوارت، جهت برآورد تبخیر روزانه منطقه کرمان مورد بررسی قرار گرفت. در روش‌های شبکه عصبی مصنوعی، سیستم استنتاج فازی- عصبی و رگرسیون غیر خطی، مقادیر دما، فشار، رطوبت نسبی، تابش خورشیدی و سرعت باد، با پنج ترکیب مختلف به عنوان متغیرهای ورودی و تبخیر از تشت به عنوان متغیر خروجی به کار گرفته شد. به منظور ارزیابی کارایی روش‌های به کار رفته، ضمن مقایسه مقادیر برآورد شده و مشاهده شده، هم‌چنین از شاخص‌های آماری ضریب تعیین (R2)، جذر میانگین مربع خطا (RMSE) و میانگین خطای مطلق (MAE) استفاده گردید. با توجه به داده‌های مورد استفاده مقادیر میانگین ماهانه و سالانه تبخیر منطقه به ترتیب 272 و 3263 میلی‌متر است. نتایج این تحقیق نشان داد که روش فازی- عصبی نسبت به بقیه روش‌ها، از دقت بیشتری برای برآورد تبخیر از تشت برخودار است. در این مدل، که در آن از تمام متغیرهای ورودی استفاده شده، مقادیر R2، RMSE و MAE در مرحله آزمون به ترتیب 85/0، 61/1 (میلی‌متر در روز) و 24/1 (میلی‌متر در روز) است. تحلیل حساسیت متغیرهای ورودی روش فازی- عصبی نشان داد که مقادیر دما و سرعت باد (به عنوان متغیرهای ورودی) به ترتیب بیشترین تأثیر را بر تبخیر دارا هستند. هم‌چنین با توجه به دقت کم مدل استیفنز- استوارت، سعی شد که مقادیر ضرایب تجربی آن با استفاده از داده‌های تابش و دما اصلاح گردد، که نتایج مطلوبی به دست نیامد. LA eng UL http://jstnar.iut.ac.ir/article-1-1544-fa.html M3 ER -