تخمین هوشمند تبخیر و تعرق مرجع با فراوانی های متفاوت با استفاده از شبکه های عصبی مصنوعی در شهرستان سنندج

محدودیت منابع آبی و وقوع خشکسالی های اخیر از مهمترین عواملی است که توسعه ی کشاورزی را در مناطق خشک و نیمه خشک تحت تأثیر قرار داده است، بنابراین مدیریت منابع آب در این مناطق نقش کلیدی را در توسعه ی پایدار کشاورزی بر عهده دارد. استفاده بهینه از منابع آبی مستلزم تخمین دقیق مقدار تبخیر و تعرق مرجع و به تبع آن محاسبه ی آب مصرفی محصولات زراعی و باغی می باشد. معمولاً در طراحی سیستم های آبیاری، از میانگین مقادیر تبخیر و تعرق مرجع برای یک دوره چند ساله ی داده های هواشناسی استفاده می شود. در این حالت احتمال وقوع تبخیر و تعرق مرجع استفاده شده 50 درصد می باشد. بنابراین سیستم آبیاری که بر این اساس طراحی می شود، در یک دوره ی ده ساله ی آبیاری تنها می تواند نیاز آبی گیاهان را در 5 سال تأمین نماید و در 5 سال دیگر نیاز آبی گیاه ممکن است بیش از توانایی سیستم برای تأمین آب باشد. در این راستا با توجه به پتانسیل بالای استان کردستان و شهرستان سنندج در تولید محصولات زراعی و باغی، برآورد دقیق تبخیر و تعرق مرجع، در سطوح احتمالاتی مختلف، با استفاده از روش های دقیق نظیر شبکه های عصبی مصنوعی ضرورتی اجتناب ناپذیر در طراحی دقیق تر سیستم های آبیاری و استفاده بهینه از منابع آبی به شمار می آید. در این تحقیق از داده های 30 ساله ی هواشناسی ایستگاه سینوپتیک سنندج برای محاسبه تبخیروتعرق با سطوح احتمالاتی مختلف استفاده گردید. ابتدا داده های هواشناسی ایستگاه فرودگاهی و غیرمرجع سنندج اصلاح گردید. سپس، با استفاده از داده های لایسیمتری، روش های مختلف برآورد تبخیر و تعرق مرجع مورد مقایسه قرار گرفت و روش های منتخب پنمن-مانتیث، هارگریوز-سامانی و تابش فائو نسبت به داده های مشاهداتی واسنجی شد. در ادامه امکان استفاده از شبکه های عصبی مصنوعی در برآورد تبخیر و تعرق مرجع مورد ارزیابی قرار گرفت و نتایج حاکی از برتری این روش نسبت به سایر روش های دیگر بود. در ادامه ی تحقیق، مقادیر تبخیر و تعرق مرجع روزانه در سطوح احتمال وقوع متفاوت، محاسبه و منحنی های مربوط به آن استخراج گردید. همچنین مقادیر تبخیر و تعرق مرجع میانگین روزانه با سطوح احتمالاتی مختلف، برای دوره های یک تا 30 روزه ی حداکثر نیاز آبی نیز محاسبه و منحنی های مربوط به آن استخراج شد. به منظور سهولت در استفاده از این منحنی ها برنامه های کامپیوتری متناظر آن ها به زبان ویژوال بیسیک نوشته شد. در ادامه امکان استفاده از شبکه های عصبی مصنوعی در برآورد تبخیر و تعرق مرجع با احتمال وقوع مختلف نیز مورد بررسی قرار گرفت. نتایج حاصل از تحقیق نشان داد که اگر از سطح احتمال 75 درصد به جای 50 درصد برای محاسبه تبخیروتعرق مرجع استفاده شود، میزان تبخیر و تعرق مرجع محاسبه شده از روش های پنمن-مانتیث، هارگریوز و تابش فائو، به ترتیب 15، 8.5 و 12.4 درصد افزایش می یابد و در ازای این افزایش نیاز آبی، درصد ریسک استفاده از سیستم آبیاری به میزان 25 درصد کاهش می یابد. همچنین، نتایج نشان داد که شبکه های عصبی مصنوعی توانایی بسیار بالایی در تخمین میزان تبخیر و تعرق مرجع با سطوح احتمال مختلف در سالهای آتی دارد.