ارزیابی کارایی مدل های هوش مصنوعی برای شبیه سازی تبخیر در مناطق اقلیمی خشک، نیمه خشک و بسیار مرطوب ایران

در این تحقیق، مدل های شبیه سازی روزانه تبخیر از تشت با استفاده از شبکه عصبی پرسپترون چندلایه، تابع پایه شعاعی و یک رابطه تجربی بهینه سازی شده بر پایه الگوریتم ژنتیک، با ۱۳ ترکیب ورودی از متغیرهای هواشناسی یعنی میانگین دمای روزانه، دمای بیشینه و کمینه، رطوبت نسبی، ساعات آفتابی و سرعت باد توسعه داده شد. این مدلها برای شبیه سازی تبخیر در ایستگاه های سمنان، شاهرود و رشت با شرایط اقلیمی خشک، نیمه خشک و بسیار مرطوب به کار گرفته شد. پس از ارزیابی کمی مدلها، ترکیب ورودی شامل دما، رطوبت نسبی، ساعات آفتابی و سرعت باد برای مدلهای شبیه سازی تبخیر، با ضریب همبستگی بین ۰.۵۶ تا ۰.۸۵، ریشه میانگین مربعات خطا بین ۱.۱ تا ۲.۶ میلی متر و پی بایاس ۱ تا ۲۹.۵ درصد، به عنوان ترکیب ورودی برتر انتخاب شد. با انجام آنالیز حساسیت مدلهای توسعه داده شده، دما و سپس رطوبت نسبی، به عنوان متغیرهای حساس برای شبیه سازی تبخیر انتخاب شدند. همچنین رابطه تجربی بهینه سازی شده با ترکیب ورودی برتر، توانایی بیشتری برای شبیه سازی مقادیر میانگین و انحراف معیار تبخیر از خود نشان داد و این مدل به عنوان مدل برتر انتخاب شد. در نهایت توانایی مدل برتر به همراه ترکیب ورودی برتر در شبیه سازی تشت تبخیر سه ایستگاه گرمسار (خشک)، دامغان (نیمه خشک) و رامسر (بسیار مرطوب)، با ضرایب همبستگی ۰.۶ تا ۰.۸۴، ریشه میانگین مربعات خطا ۱.۲۹ تا ۳.۱۶ میلی متر و پی بایاس ۲.۱ تا ۹.۲ درصد، مورد تایید قرار گرفت.