تعیین پارامترهای مورد نیاز در تعیین تبخیر و تعرق ‏گیاه مرجع (چمن ) به عنوان هدف تهیه این دستگاه مد نظر ‏بوده است.‏‎ ‎بعد از انجام مطالعات، تعیین پارامترهای ‏مزبوردر روش های مختلفی مثل فرمول پنمن-منتیث و فرمول ‏نسبت باوِن شامل شار دما و رطوبت در دو ارتفاع ‏مختلف،باد،رطوبت خاک، تابش خالص و جریان گرمایی خاک به ‏عنوان بخش های اصلی این تحقیق مورد توجه قرار گرفته و ‏طرح تحقیقاتی در راستای نحوه بدست آوردن این پارامترها ‏تدوین گردیده است.در راستای رسیدن به این هدف، انواع ‏حسگرهای موجود و مورد نیاز در هر بخش جهت اندازه گیری ‏پارامترهای موردنظر مورد ارزیابی قرار گرفته و از میان ‏آن ها حسگرpt100‎‏ برای استفاده در حسگرهای دمایی ‏هوا،ترموکوپل نوع ‏k‏ جهت استفاده در اندازه گیری اختلاف ‏دمایی در خاک، شمارنده دیجیتال جهت نصب بر روی بادسنج، ‏خلاسنج دیجیتال جهت نصب بر روی تانسیومتر و حسگرهای صفحه ‏ای ترموکوپلی که به صورت یک ترموپیل تفاضلی عمل ‏می کنند برای قسمت تابش سنج خالص و قسمت اندازه گیری ‏کننده جریان گرمایی خاک انتخاب شدند. تمامی اجزا جهت ‏دستیابی به داده های دقیق کالیبره شده و ضرایب هر کدام ‏از آن ها به دست آمد . ‏

چکیده: تبخیر و تعرق مرجع یکی از پارامترهای مهم در مدیریت آبیاری گیاهان است و معمولا بر مبنای داده های هواشناسی چند ساله و با استفاده از مدل ها برآورد می شود. اهمیت زیاد این پارامتر در مسائل آبیاری، لزوم استفاده از روش های جدید داده کاوی را نشان می دهد. در این پژوهش امکان برآورد تبخیر و تعرق مرجع با استفاده از مدل های ترکیبی رگرسیون چندگانه و تحلیل مولفه های اصلی (mlr-pca) و مدل شبکه عصبی مصنوعی و گاماتست (ann-gt) بررسی شد. به این منظور از داده های هواشناسی روزانه سال های 2005-1991 ایستگاه های سینوپتیک تربت جام، تربت حیدریه، سرخس، سبزوار، کاشمر، گلمکان، گناباد، نیشابور و مشهد واقع در استان خراسان رضوی استفاده شد. در بخش تحلیل مولفه های اصلی در همه ایستگاه ها دو مولفه pc1و pc2 که محدوده (88%-85%) از واریانس کل را تشکیل می دادند، به عنوان مولفه های اصلی در نظر گرفته شدند. با استفاده از مولفه های به دست آمده، مدل رگرسیون خطی چندگانه برای تخمین تبخیر و تعرق مرجع ارائه شد. آماره t برای مقدار ثابت و هر یک از مولفه ها در تمامی ایستگاه ها محاسبه گردید که طبق نتایج همگی در سطح 5% معنی دار بودند. بر اساس نتایج، مولفه pc1 نسبت به مولفه pc2 از اهمیت بیشتری برخوردار بود. در بخش گاماتست در همه ایستگاه ها پارامتر سرعت باد به عنوان مهم ترین پارامتر شناخته شد و پس از تعیین بهترین ترکیب توسط این روش، مدل سازی آن با استفاده از شبکه عصبی مصنوعی انجام پذیرفت. مقایسه بین مدل های mlr-pca ، mlr، ann-gt و ann با استفاده از آماره های خطاسنجی شامل: میانگین مربعات خطا (rmse)، خطای مطلق میانگین (mae)، میانگین نسبی خطای مطلق (mare) ، ضریب تبیین (r2) و خطای نقطه ایده آل (ipe) نشان داد که همگی این مدل ها در محاسبه تبخیر و تعرق از دقت خوبی برخوردار هستند ولی مدل شبکه عصبی مصنوعی با پیش پردازش گاماتست (ann-gt) نسبت به مدل (mlr-pca و mlr) برتری دارد، ضمن آنکه برتری مدل ann-gt نسبت به مدل ann و مدل mlr-pca نسبت به مدل mlr چندان محسوس نمی باشد.