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.

واژه‌های کلیدی: برآورد تبخیر، فازی- عصبی، شبکه عصبی مصنوعی، رگرسیون غیر خطی، روش استیفنز- استوارت

متن کامل [PDF 990 kb]   (6795 دریافت)