مقایسه عملکرد محاسبات نرم و مدلهای تجربی در تخمین تبخیر تعرق مرجع روزانه (مطالعه موردی: استان همدان)

تبخیر تعرق یکی از اساسی ترین اجزای چرخه هیدرولوژی است که تعیین صحیح آن در مهندسی هیدرولوژی و منابع آب از اهمیت زیادی برخوردار است. هزینهبر و زمانبر بودن اندازه گیری مستقیم تبخیر تعرق باعث شده است پژوهشگران به استفاده از روشهای غیر مستقیم از جمله محاسبات نرم روی آورند. در پژوهش حاضر، عملکرد روشهای شبکه عصبی مصنوعی پرسپترون چندلایه (MLP)، رگرسیون بردار پشتیبان (SVR) و یادگیری بر پایه نمونه (IBK) K در تخمین تبخیر تعرق مرجع روزانه (ETo) با روش مکینگ اصلاح شده موردمقایسه قرار گرفت. داده های هواشناسی حداکثر، حداقل و میانگین دما، دمای نقطه شبنم، میانگین بارش، ساعات آفتابی، متوسط رطوبت و سرعت باد در بازه زمانی ۲۰۱۰-۲۰۱۹ در ۴ ایستگاه ملایر، همدان، تویسرکان و نهاوندمورد استفاده قرار گرفت. ETo معیار با استفاده از روش فائو-پنمن-مانتیث محاسبه شده و ۱۲ سناریو ترکیبی از پارامترهای هواشناسی برای واسنجی و صحت سنجی روشهای مورد مطالعه، مدنظر قرار گرفتند. دقت روشهابا استفاده از پارامترهای آماری ضریب همبستگی، ریشه میانگین مربعات خطا و ضریب نشساتکلیف موردارزیابی قرار گرفت. نتایج حاصل از بررسی های صورت گرفته نشان داد که مدل SVR با ضریب نش ساتکلیف بین ۰/۹۵۲ تا ۰/۹۶۳ برآوردهای به مراتب دقیقتری از ETo داشته است.