کاوه احمدزاده قره گویز - دانش آموخته کارشناسی ارشد آبیاری و زهکشی، دانشگاه تربیت مدرس تهران
سید مجید میر لطیفی - دانشیار گروه آبیاری و زهکشی، دانشگاه تربیت مدرس تهران
کورش محمدی - دانشیار گروه آبیاری و زهکشی، دانشگاه تربیت مدرس تهران
عباس خاشعی سیوکی - دانشجوی دکتری آبیاری و زهکشی، دانشگاه تربیت مدرس تهران

اهمیت برآورد تبخیر- تعرق گیاهان زراعی در اقلیم های مختلف، باعث ارائه روابط تجربی متفاوتی شده است تا بتواند با کمترین ورودی- تعرق را با دقت مناسبی برآورد کند. در این تحقیق بعد از بررسی و مقایسه روابط تجربیف توانایی سیستم های هوشمند در برآورد تبخیر- تعرق مرجع ارزیابی شد. نتایج حاصل از مقایسه شش روش تجربی و مدل های شبکه عصبی مصنوعی (ANN) و سیستم استنتاج تطبیقی عصبی- فازی (ANFIS) در سه ایستگاه با اقلیم مرطوب نشان داد که از میان روش های تجربی روش فائو بلانی- کریدل (F-B-C) با رتبه یک، دارای بیشترین مقدار R² و کمترین مقدار RMSE وMBW بوده و نسبت به روش های دیگر دارای دقت بالاتری می باشد. پس از روش فائو بلانی- کریدل روش های تورک و ماکینگ دارای رتبه دوم و سوم می باشند. مدل تورک مقدارET0 را نسبت به روش فائو پنمن مانتیث بیشتر برآورد می کند اما دو مدل ماکینگ و F-B-C تبخیر- تعرق را کمتر از روش فائو پنمن- مانتیث برآورد می کنند. پس از بررسی مدل های ANN و ANFIS توسعه داده شده برای این ایستگاه ها، ویژگی های بهترین و بدترین مدل تعیین شد. نتایج نشان داد که در بیشتر موارد مدلهای ANFIS از دقت بالاتری نسبت به مدلهای تجربی و ANN برخوردارند.

اقلیم مرطوب، تبخیر- تعرق، شبکه عصبی مصنوعی، فازی