طبقه‏ بندی تبخیر سالانه ایستگاه‏های تبخیرسنجی ایران با استفاده از محاسبات نرم(خوشه‏ بندی فازی و شبکه ‏عصبی‏ کوهنن) بر اساس پارامترهای اقلیمی

تبخیر را می‏توان نقطه آغازین چرخه هیدرولوژیک آب به شمار آورد، که برآیند مجموعه عوامل اقلیمی و جغرافیایی منطقه هیدرولوژیک می‏باشد و مستقیماً بر منابع آب اثر بخش است. این پدیده از یک سیستم پیچیده و غیرخطی پیروی می‏کند، که تخمین دقیق آن بسیار دشوار است. از این رو استفاده از مدل‏های ریاضی مانند سیستم استنتاج فازی و شبکه عصبی کوهنن با درک رفتار های غیر خطی سیستم برای حل این مشکل مناسب است. طبقه‏بندی پایگاه اطلاعات بزرگ نظیر ایستگاه‏های تبخیرسنجی موجب می‏گردد حجم زیادی از اطلاعات با اختصاص به چند دسته متجانس کوچکتر براحتی در روش‏های مختلف مدل‏سازی مورد استفاده قرار گیرد. خوشه‏بندی در این پ‍‍ژوهش با استفاده از داده‏های اقلیمی منجر به قرار گرفتن ایستگاه‏های تبخیرسنجی در 7 خوشه گردیده‏است و بین مقادیرحداکثر شاخصRS‏‏ و حداقل واریانس محاسباتی خوشه‏ها همخوانی وجود دارد، بطوریکه نسبت به ضریب تعیین RS و واریانس خوشه‏ها روش شبکه عصبی کوهنن  نسبت به روش فازی نتایج بهتری را نشان می‏دهد. تبخیر را می‏توان نقطه آغازین چرخه هیدرولوژیک آب به شمار آورد، که برآیند مجموعه عوامل اقلیمی و جغرافیایی منطقه هیدرولوژیک می‏باشد و مستقیماً بر منابع آب اثر بخش است. این پدیده از یک سیستم پیچیده و غیرخطی پیروی می‏کند، که تخمین دقیق آن بسیار دشوار است. از این رو استفاده از مدل‏های ریاضی مانند سیستم استنتاج فازی و شبکه عصبی کوهنن با درک رفتار های غیر خطی سیستم برای حل این مشکل مناسب است. طبقه‏بندی پایگاه اطلاعات بزرگ نظیر ایستگاه‏های تبخیرسنجی موجب می‏گردد حجم زیادی از اطلاعات با اختصاص به چند دسته متجانس کوچکتر براحتی در روش‏های مختلف مدل‏سازی مورد استفاده قرار گیرد. خوشه‏بندی در این پ‍‍ژوهش با استفاده از داده‏های اقلیمی منجر به قرار گرفتن ایستگاه‏های تبخیرسنجی در 7 خوشه گردیده‏است و بین مقادیرحداکثر شاخصRS‏‏ و حداقل واریانس محاسباتی خوشه‏ها همخوانی وجود دارد، بطوریکه نسبت به ضریب تعیین RS و واریانس خوشه‏ها روش شبکه عصبی کوهنن  نسبت به روش فازی نتایج بهتری را نشان می‏دهد.