با همکاری انجمن هیدرولیک ایران

نوع مقاله : پژوهشی کاربردی

نویسنده

مجتمع آموزش عالی کشاورزی و دامپروری تربت جام

10.22067/jwsd.2025.91890.1402

چکیده

تبخیرتعرق یکی از مهم‌ترین مؤلفه‌های بیلان آب و انرژی است که تخمین دقیق آن برای مدیریت منابع آب، برنامه‌ریزی آبیاری و مطالعات زیست‌محیطی ضروری است. در سال‌های اخیر، استفاده از تکنیک‌های یادگیری ماشین (ML) راهکار امیدوارکننده‌ای برای بهبود دقت پیش‌بینی تبخیرتعرق ارائه کرده است. در این مطالعه، دو مدل شبکه عصبی مصنوعی، شامل پرسپترون چندلایه (MLP) و شبکه با پایه شعاعی(RBF)، برای تخمین تبخیرتعرق گیاه مرجع در ایستگاه‌های مشهد، سبزوار و تربت جام در استان خراسان رضوی به‌کار گرفته شدند. داده‌های هواشناسی شامل دما، رطوبت نسبی، سرعت باد و ساعات آفتابی از سال 1371 تا 1402 جمع‌آوری و پس از نرمال‌سازی برای آموزش مدل‌ها مورد استفاده قرار گرفتند. مقادیر تبخیرتعرق محاسبه‌شده با روش فائو-پنمن-مانتیث به‌عنوان داده‌های هدف جهت ارزیابی مدل‌ها در نظر گرفته شد. نتایج نشان داد مدل‌های شبکه عصبی، به‌ویژهMLP، عملکرد مطلوبی در تخمین تبخیرتعرق داشته و دقت بالاتری نسبت به روش‌های لیناکر و هارگریوز-سامانی ارائه کردند. همچنین، حذف سرعت باد در ایستگاه‌های تربت جام و مشهد موجب کاهش 1/5 درصدی و در ایستگاه سبزوار باعث کاهش 3/11 درصدی ضریب تعیین (R²) شد، درحالی‌که حذف ساعات آفتابی تأثیر ناچیزی بر دقت مدل داشت. علاوه بر این، مشخص شد که حتی با دسترسی محدود به داده‌ها، استفاده صرف از دمای حداقل و حداکثر می‌تواند تخمین تبخیرتعرق را با دقت قابل قبولی امکان‌پذیر سازد. این یافته‌ها بر پتانسیل بالای شبکه‌های عصبی مصنوعی در برآورد تبخیرتعرق در شرایط کمبود داده تأکید داشته و می‌توانند به مدیریت بهینه منابع آب کشاورزی در منطقه مورد مطالعه کمک کنند.

کلیدواژه‌ها

موضوعات

CAPTCHA Image