تخمین تبخیر-تعرق گیاه مرجع از طریق پیش بینی های هواشناسی با کمک شبکه های عصبی مصنوعی (مطالعه موردی: زنجان)

تولید حد مطلوب محصول کشت شده تحت شرایط حاکم بر مزرعه از اهمیت بسیار زیادی برخوردار می باشد. یکی از پارامترهای اصلی برای تولید حداکثر محصول، تأمین آب مورد نیاز گیاه از زمان کشت تا زمان برداشت می باشد. موقع انجام آبیاری علاوه بر نیاز آبی خالص گیاه، مقداری آب اضافه به زمین داده می شود تا جبران تلفات آبیاری (رواناب سطحی و نفوذ عمقی) و نیاز آبشویی جهت کنترل میزان نمک در عمق توسعه ریشه ها گردد. بخشی از نیاز آبیاری از طریق بارندگی (بارش موثر) تأمین می شود. برآورد میزان آبی که در طرح های آبیاری به مصارف کشاورزی می رسد، بر اساس تخمین و تعیین میزان تبخیر-تعرق انجام می شود. انتشار بیش از حد گازهای گلخانه ای در دهه های اخیر و تغییرات به وقوع پیوسته در اقلیم در اثر آن، موجب تغییر در پارامترهای هواشناسی موثر در تبخیر-تعرق گردیده است. هر چقدر داده های هواشناسی لازم برای محاسبه et0 به هنگام باشد مقادیر تخمینی به واقعیت نزدیکتر بوده و احتمال بروز کم آبیاری یا بیش آبیاری توسط سیستم آبیاری به حداقل خواهد رسید. امروزه با پیشرفت علم و تکنولوژی ، می توان شرایط جوی را برای چند روز آینده پیش بینی کرد. استفاده از روش فائو-پنمن-مانتیث برای محاسبه مقادیر et0 به علت نیاز به داده های متعدد هواشناسی فقط برای ایستگاه های هواشناسی مجهز محدود می شود. همچنین به علت تعدد روابط لازم برای محاسبه تک تک پارامترهای معادله فائو-پنمن-مانتیث، محاسبه et0 با استفاده از آن پیچیده و وقت گیر است برای حل مشکلات فوق، امروزه سعی می گردد از مدلهای تخمین گر مانند شبکه های عصبی مصنوعی و رگرسیون خطی که با کمترین داده، در اسرع وقت مقادیر قابل قبولی نتیجه می شود استفاده گردد. برای تعیین دقیق آب آبیاری جهت برداشت از منبع آب در روزهای آتی داده های هواشناسی پیش بینی شده می تواند بهترین گزینه باشد. به علت محدود بودن تعداد داده های پیش بینی شده توسط سازمان هواشناسی و عدم امکان استفاده از آنها جهت تخمین مقادیر et0 با کمک رابطه استاندارد فائو-پنمن-مانتیث برای روزهای آینده، می توان از مدلهایی مانند شبکه های عصبی مصنوعی و رگرسیون خطی استفاده کرد . در این تحقیق داده های پیش بینی وضعیت هوای شهر زنجان برای دوره آماری قابل دسترس اخذ شد. داده هواشناسی به عنوان پارامتر های ورودی برای تهیه مدل رگرسیونی در نظر گرفته شد. پس از طراحی شبکه های مورد نظر، نتایج به دست آمده از هر شبکه به لحاظ شاخصهای آماری rmse , mbe , r2, b, a با نتایج به دست آمده از روش فائو-پنمن-مانتیث مقایسه و همچنین بهترین شبکه برای پیش بینی مقادیر آینده تبخیر- تعرق مرجع انتخاب شد. بهترین شبکه، شبکه عصبی مصنوعی با استفاده از داده های tmin , tmax , c , n (شبکه ann-n6-4) به دست آمد.