TY - JOUR T1 - Estimation of Reference Evapotranspiration Using Artificial Neural Network Models and the Hybrid Wavelet Neural Network TT - تخمین تبخیر و تعرق مرجع روزانه به کمک مدل شبکه عصبی مصنوعی و مدل ترکیبی شبکه عصبی- موجک JF - JSTNAR JO - JSTNAR VL - 23 IS - 2 UR - http://jstnar.iut.ac.ir/article-1-3662-fa.html Y1 - 2019 SP - 215 EP - 226 KW - Water Requirement KW - Davbechies Wave-let KW - Temperature KW - Statistical Indices KW - Shahrekord N2 - برآورد تبخیر و تعرق به‌منظور کاربرد در برنامه‌ریزی، طراحی و مدیریت طرح‌های آبیاری و زهکشی و مدیریت منابع آب ضروری است. در این تحقیق به ارزیابی مدل‌های شبکه عصبی مصنوع، مدل شبکه عصبی- موجک، رگرسیون چند متغیره و روش تجربی هارگریوز در برآورد تبخیر و تعرق مرجع به‌منظور تعیین بهترین مدل از نظر میزان کارایی با توجه به داده‌های موجود پرداخته شد. از داده‌های روزانه دو ایستگاه هواشناسی فرودگاه شهرکرد و فرخ‌شهر در منطقه خشک و سرد شهرکرد در بازه زمانی 2013-2004 شامل دمای حداقل و حداکثر، رطوبت نسیبی میانگین، سرعت باد در ارتفاع دو متری و ساعات آفتابی استفاده شد. 75 درصد داده‌ها برای آموزش و اعتبارسنجی و 25 درصد داده‌ها برای تست مدل‌ها استفاده شد. شبکه طراحی شده یک شبکه عصبی پیش‌خور با تابع فعال تانژانت سیگموئید در لایه پنهان است. در مرحله بعدی موجک‌های مختلف Haar، db و Sym روی داده‌ها اعمال شد و شبکه عصبی- موجک طراحی شد. برای ارزیابی مدل‌ها روش پتمن مونتیث فائو مبنای کار قرار گرفت. برای هر چهار روش استفاده شده شاخص‌های آماری RMSE، MAE و R محاسبه و رتبه‌دهی شدند. نتایج نشان داد که از میان مدل‌های طراحی شده، شبکه عصبی موجک با موجک 5 db عملکرد بهتری نسبت به موجک‌های دیگر و همچنین نسبت به شبکه عصبی مصنوعی، روش آماری رگرسیون چند متغیره و روش هارگریوز داشته است. نتایج مدل شبکه عصبی- موجک با موجک 5 db در ایستگاه فرخ‌شهر به‌ترتیب برابر 0/2668، 0/2067 و 0/998 و در ایستگاه فرودگاه به‌ترتیب برابر 0/2138، 0/14 و 0/9989 محاسبه شد. نتایج نشان داد که شبکه عصبی- موجک عملکرد دقیق‌تری نسبت به سایر مدل‌های مورد بررسی در این تحقیق داشت. M3 10.29252/jstnar.23.2.215 ER -