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

تبخیر و تعرق یکی از عوامل مهم سیکل هیدرولوژی بوده که باید در طرح های آبیاری، مطالعات زهکشی و هیدرولوژیکی برآورد شود. در حال حاضر دقیق ترین روش برای برآورد آن، استفاده از لایسیمتر است. ولی استفاده از لایسیمتر مستلزم هزینه زیادی است. از این رو عمدتا تخمین تبخیر و تعرق با استفاده از پارامترهای هواشناسی و به کار بردن مدل های تجربی انجام می گیرد. در این میان، معادله پنمن- مانتیث- فائو به عنوان روشی استاندارد در محاسبه تبخیر و تعرق مرجع شناخته می شود. از آنجایی که این روش به تجهیزات هواشناسی گران قیمتی نیاز دارد کاربرد آن در بسیاری از مناطق محدود است. لذا استفاده از روش های جایگزین همواره دارای اهمیت بسیار زیادی است. یکی از روش های نوین برآورد تبخیر و تعرق استفاده از سنجش از دور می باشد. سنجش از دور به کمک الگوریتم سبال، قادر به برآورد میزان تبخیر و تعرق از تصاویر ماهواره ای می باشد. برای اجرای الگوریتم سبال نیاز به محاسبه فاکتورهایی چون آلبیدوی سطحی، شاخص پوشش گیاهی نرمال شده، دمای سطحی زمین، شار تابش خالص، شار گرمای خالص، شار گرمای محسوس و در نهایت تبخیر و تعرق روزانه در منطقه می باشد. به این منظور، در این تحقیق از چهار تصویر لندست 8 استفاده شد. مقایسه نتایج بدست آمده از دو روش، سنجش از دور و معادله پنمن- مانتیث- فائو، نشان می دهد که میانگین مربعات خطا 54/1و میانگین خطای مطلق 04/1 میلیمتر در روز می باشد. برای حل پیچیدگی فرایند تبخیر، از شبکه های عصبی مصنوعی برای پیش بینی تبخیر از تشت بر اساس داده های هواشناسی استفاده می شود. در این تحقیق، از شبکه پرسپترون با الگوریتم پس انتشار خطا برای آموزش آن استفاده شد. برای آموزش شبکه از داده های اقلیمی روزانه ی 13 ساله ایستگاه صفی آباد 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 پیاده سازی این شبکه نشان دهنده، شاخص های آماری 0032/0mse=، 0445/0mae= و 9609/0r2= می باشد. مقایسه نتایج بدست آمده از روش شبکه های عصبی مصنوعی با روش پنمن- مانتیث- فائو نشان می دهد که میانگین مربعات خطا 11/1 و میانگین خطای مطلق 52/0 میلیمتر در روز می باشد. این نتایج، بیانگرعملکرد بهتر شبکه های عصبی مصنوعی نسبت به الگوریتم سبال در برآورد میزان تبخیر و تعرق می باشد.