برآورد تبخیر و تعرق با استفاده از سنجش از دور، شبکه های عصبی مصنوعی و مقایسه نتایج آن با روش پنمن- مانتیث- فائو در باغات مرکبات شمال خوزستان

تبخیر و تعرق یکی از مهمترین عوامل اتلاف آب می­باشد. تبخیر و تعرق یک پدیده پیچیده­ای است که به عوامل و داده­های زیادی بستگی دارد، بنابراین برآورد دقیق میزان تبخیر و تعرق، بسیار مشکل و پرهزینه می­باشد. هدف از این مطالعه برآورد تبخیر و تعرق با استفاده از الگوریتم توازن انرژی سطحی برای زمین (سبال) و همچنین ارزیابی عملکرد شبکه­های عصبی مصنوعی در برآورد تبخیر و تعرق   می­باشد. جهت محاسبه میزان سبال تبخیر و تعرق، روش الگوریتم سبال بوسیله تصاویر ماهواره­ای مورد استفاده قرار گردید. در این تحقیق از چهار تصویر لندست 8 استفاده شد که مقایسه نتایج بدست آمده از دو روش، سنجش از دور و معادله پنمن- مانتیث- فائو، نشان می دهد که میانگین مربعات خطا (mse) 54/1 و میانگین خطای مطلق (mae) 04/1 میلیمتر در روز می باشد. برای حل پیچیدگی فرآیند تبخیر، از شبکه های عصبی مصنوعی برای پیش­بینی تبخیر از تشت بر اساس داده های هواشناسی استفاده گردید. در این تحقیق شبکه پرسپترون با الگوریتم پس انتشار خطا برای آموزش آن استفاده شد. برای آموزش شبکه از داده­های اقلیمی روزانه 13 ساله ایستگاه صفی­آباد دزفول استفاده شد. نتایج حاصل از محاسبات نشان داد بهترین شبکه، شبکه ای با همه ورودی ها، با یک لایه پنهان و 28 نرون در لایه میانی می باشد. نتایج پیاده­سازی این شبکه نشان­دهنده، شاخص­های آماری معیارهای میانگین مربعات خطا (mse) 0032/0، میانگین خطای مطلق (mae) 0445/0 و ضریب تبین (r2) 9609/0 می باشد. مقایسه نتایج بدست آمده از روش شبکه­های عصبی مصنوعی با روش پنمن- مانتیث- فائو نشان می دهد که میانگین مربعات خطا (mse) 11/1 و میانگین خطای مطلق (mae) 52/0  میلی­متر در روز می باشد. این نتایج، بیانگرعملکرد بهتر شبکه های عصبی مصنوعی نسبت به روش سنجش از دور در برآورد میزان تبخیر و تعرق می باشد.