fa بررسی عملکرد شبکه‌های عصبی در بر‌آورد تبخیر و تعرق گیاه مرجع (مطالعه موردی: ایستگاه سینوپتیک اهواز) تخصصي Special پژوهشي Research <p class="Abstract" dir="RTL" style="text-align: justify;"><span b="" lang="FA" style="font-family: ">تبخیر و تعرق یکی از پارامترهای مؤثر بر بیلان آبی حوضه‌های آبریز و از اجزای اصلی چرخه هیدرولوژیکی محسوب می&shy;شود. به علت نیاز به برگ خریدهای اقلیمی مختلف و اثر متقابل این برگ خریدها برهم دیگر تبخیر و تعرق یک پدیده غیر&shy;خطی و پیچیده می‌باشد. یکی از مراحل پیچیده در مدل‌سازی سیستم‌های غیرخطی، پیش پردازش پارامترهای ورودی جهت انتخاب ترکیبی مناسب است. در این پژوهش امکان استفاده از شبکه‌های </span><span dir="LTR" style="font-size: 9pt; line-height: 115%;">MLP,MNN</span><span b="" lang="FA" style="font-family: "> و </span><span dir="LTR" style="font-size: 9pt; line-height: 115%;">FF</span><span b="" style="font-family: "> </span><span b="" lang="FA" style="font-family: ">برای تخمین تبخیر و تعرق گیاه مرجع مورد مطالعه قرار گرفته است و در این راستا از نرم&shy;افزار </span><span dir="LTR" style="font-size: 9pt; line-height: 115%;">MATLAB</span><span new="" style="font-size: 11pt; line-height: 115%; font-family: " times=""> </span><span b="" lang="FA" style="font-family: ">کمک گرفته شد</span><span b="" lang="FA" style="line-height: 115%; font-family: ">. </span><span b="" lang="FA" style="font-family: ">با استفاده از سری داده‌های هواشناسی سال‌های 93 </span><span lang="FA" new="" style="font-family: " times="">&ndash;</span><span b="" lang="FA" style="font-family: "> 1377 ایستگاه اهواز، ابتدا مقادیر متوسط تبخیر و تعرق روزانه گیاه مرجع از روش استاندارد فائوپنمن&shy;مانتیث محاسبه شد، سپس با‌ استفاده از این مقادیر به‌عنوان خروجی‌های هدف، شبکه‌های مختلفی با ساختارهای متعارف تعریف و آموزش داده شد. درنهایت قابلیت شبکه برای تخمین تبخیر و تعرق با استفاده از قسمتی از داده‌ها که در طراحی و یا آموزش شبکه استفاده‌نشده است، موردبررسی قرار گرفت. با بررسی&shy;ها انجام‌گرفته مشخص شد که تنها با استفاده از پارامتر دمای متوسط روزانه به‌عنوان ورودی، می‌توان میزان تبخیر و تعرق گیاه مرجع را با استفاده از سه نوع شبکه با دقت قابل قبولی تخمین زد. هم‌چنین با مقایسه نتایج حاصل از سه شبکه با آزمون‌های آماری مشخص شد که شبکه‌های</span><span dir="LTR">FF</span><span b="" lang="FA" style="font-family: "> و</span><span dir="LTR"> MLP</span><span b="" lang="FA" style="font-family: "> با </span><span dir="LTR" style="line-height: 115%;">R&sup2;</span><span b="" lang="FA" style="line-height: 115%; font-family: ">بیش&shy;تر</span><span b="" lang="FA" style="font-family: "> نسبت به</span><span dir="LTR"> MNN </span><span b="" lang="FA" style="font-family: ">در تعیین تبخیر و تعرق گیاه مرجع از دقت بیش‌تری برخوردار می‌باشند.</span></p> <p class="Abstract">Evapotranspiration is one of the parameters affecting the watershed water balance and as a basic parameter in hydrologic cycle.Being a function of different metrological parameters and their interactions, evapotranspiration is a complex, nonlinear phenomenon. Preprocessing input parameters to select appropriate combinations is complex when modeling nonlinear systems. Therefore, in this study artificial neural networks MLP, FF and MNN for evapotranspiration modeling and in this context of MATLAB software was used. By using the climatic data in Ahvaz climateyears 1988-2014, the average values of reference crop evapotranspiration was calculated by FAO Penman Montith standard.Then these values was used as output targets of different networks with conventional structures defined and trained. Eventually capability of estimation of evapotranspiration network by using the part of the data network is not used in the design or training, was evaluated. With reviews was conductedshowed who using only the daily average temperature as an input parametercan be the reference evapotranspiration using three types accurately estimate network. Also compares the results of three network tests showed that FF and MLP networks to MNN for determining reference evapotranspiration are higher accuracy.</p> تبخیر و تعرق, فائو پنمن مانتیث, شبکه عصبی, ایستگاه سینوپتیک اهواز. evapotranspiration, artificial neural networks, FAO Penman Montith, Synoptic stations Ahvaz. 23 34 http://jweb.ahvaz.iau.ir/browse.php?a_code=A-10-317-2&slc_lang=fa&sid=1 Maryam Ghorbani مریم قربانی 10031947532846002956 10031947532846002956 Yes دانشگاه پیام نور ایران، تهران Sanaz Shokri ساناز شکری 10031947532846002957 10031947532846002957 No دانشگاه شهید چمران اهواز، اهواز Saeid Broomand Nasab سعید برومند نسب 10031947532846002958 10031947532846002958 No دانشگاه شهید چمران اهواز، اهواز