fa پیش بینی تلفات تبخیر از مخزن سد بوکان با استفاده از سیستم استنتاج عصبی فازی تخصصي Special كاربردي Applicable <div style="text-align: justify;"><span style="font-size:10pt"><span style="text-justify:kashida"><span style="text-kashida:0%"><span style="tab-stops:list 0cm left 482.0pt"><span style="line-height:115%"><span style="direction:rtl"><span style="unicode-bidi:embed"><span style="font-family:&quot;Times New Romans&quot;,serif"><span lang="FA" style="line-height:115%"><span style="font-family:&quot;B Mitra&quot;"><span style="color:black">تبخیر از سطح مخازن سدها یکی از پارامترهای کلیدی در هیدرولوژی و مدیریت منابع آب به شمار می‌رود. پیچیدگی روابط غیرخطی میان عوامل هواشناسی، دقت روش‌های کلاسیک برآورد تبخیر را محدود می‌سازد. در این پژوهش، سیستم استنتاج عصبی-فازی به‌عنوان رویکردی نوین برای پیش‌بینی تبخیر مخزن سد بوکان در استان آذربایجان غربی به کار گرفته شد. داده‌های ماهانه هواشناسی در دوره زمانی 1387 تا 1403، &nbsp;شامل دمای هوا، رطوبت نسبی و بارندگی به‌عنوان ورودی‌های مدل و تبخیر ماهانه به‌عنوان خروجی در نظر گرفته شدند. برای انتخاب ترکیب بهینه پارامترهای ورودی، از تحلیل رگرسیونی استفاده شد و هشت ترکیب مختلف مورد آزمون قرار گرفت. مدل مبتنی بر دمای بیشینه ماهانه بالاترین دقت را دارد. نسبت</span></span></span> <span lang="FA" style="line-height:115%"><span style="font-family:&quot;B Mitra&quot;"><span style="color:black">ریشه دوم مربعات خطا</span></span></span> <span lang="FA" style="line-height:115%"><span style="font-family:&quot;B Mitra&quot;"><span style="color:black">به دامنه تغییرات&nbsp; نشان می‌دهد که خطای این مدل کمتر از ۱۰ درصد نوسانات کل تبخیر است که در رده دقت عالی قرار می‌گیرد. آزمون دایبولت- مارینو نیز تأیید می‌کند که این مدل به‌طور معناداری از مدل‌های مبتنی بر رطوبت و بارندگی بهتر عمل می‌کند. این برتری نشانه رابطه قوی و مستقیم بین دمای بیشینه و فرآیند تبخیر است که در منطقه بوکان، نقش انرژی خورشیدی را به‌ عنوان عامل اصلی محرک تبخیر نشان می</span></span></span><span dir="LTR" style="line-height:115%"><span style="font-family:&quot;Tahoma&quot;,sans-serif"><span style="color:black">&lrm;</span></span></span><span lang="FA" style="line-height:115%"><span style="font-family:&quot;B Mitra&quot;"><span style="color:black">دهد</span></span></span><span dir="LTR" style="line-height:115%"><span style="font-family:&quot;Tahoma&quot;,sans-serif"><span style="color:black">.</span></span></span><span style="line-height:115%"><span style="font-family:&quot;B Mitra&quot;"><span style="color:black"> تابع عضویت</span></span></span> <span lang="FA" style="line-height:115%"><span style="font-family:&quot;B Mitra&quot;"><span style="color:black">از بین توابع به کار گرفته شده بهترین نتایج را به دست داد. همچنین تعداد 100 دوره آموزشی </span></span></span><span dir="LTR" style="line-height:115%"><span style="font-family:&quot;Times New Roman&quot;,serif"><span style="color:black">Trimf</span></span></span><span style="line-height:115%"><span style="font-family:&quot;B Mitra&quot;"><span style="color:black"> برتری نسبی نسبت به دیگر تعداد دوره&shy;های آموزشی را داشت. در بهترین سناریو ضریب همبستگی بین داده‌های مشاهداتی و پیش‌بینی‌شده برابر با 927/0 بود. این یافته‌ها بیانگر توانایی بالای سیستم عصبی-فازی در پیش‌بینی تبخیر مخزن سد بوکان است</span></span></span><span lang="FA" style="line-height:115%"><span style="font-family:&quot;B Mitra&quot;"><span style="color:black">.</span></span></span></span></span></span></span></span></span></span></span></div> &nbsp; <div style="text-align: justify;"><span style="font-size:10pt"><span style="line-height:normal"><span style="tab-stops:right 177.2pt"><span style="unicode-bidi:embed"><span style="font-family:&quot;Times New Romans&quot;,serif"><span style="font-size:11.0pt"><span style="color:black">Evaporation from dam reservoir surfaces is considered a key parameter in hydrology and water resource management. The complexity of nonlinear relationships among meteorological factors limits the accuracy of classical evaporation estimation methods. In this research, a Neuro-Fuzzy Inference System was employed as a novel approach for predicting evaporation from the Boukan Dam reservoir in West Azerbaijan Province, Iran. Monthly meteorological data from 2008-2023, including air temperature, relative humidity, and precipitation, were used as model inputs, while monthly evaporation was considered the output. Regression analysis was used to select the optimal combination of input parameters, with eight different combinations being tested. The model performed best with maximum temperature as input. The Trimf (triangular) membership function yielded the best results. Furthermore, 100 training epochs performed better than other epoch numbers. In the best scenario, the correlation coefficient between observed and predicted data was 0.927. These findings demonstrate the high capability of the neuro-fuzzy system in predicting evaporation from the Boukan Dam reservoir and present a more accurate approach compared to traditional methods</span></span><span dir="RTL" lang="FA" style="font-size:11.0pt"><span style="font-family:&quot;B Mitra&quot;"><span style="color:black">.</span></span></span><span style="font-size:11.0pt"><span style="color:black"></span></span></span></span></span></span></span></div> پیش‌بینی تبخیر ماهانه, سد بوکان, سیستم استنتاج عصبی فازی, دمای بیشینه. Monthly Evaporation Prediction, Boukan Dam, Neuro-Fuzzy Inference System, Maximum Temperature. 14 30 http://jweb.ahvaz.iau.ir/browse.php?a_code=A-10-704-1&slc_lang=fa&sid=1 Ramin Rostami رامین رستمی ramin_ak2003@yahoo.com 10031947532846007300 10031947532846007300 Yes Islamic Azad University دانشگاه آزاد اسلامی Hossein Fathian حسین فتحیان Fathian.h58@gmail.com 10031947532846007301 10031947532846007301 No Islamic Azad University دانشگاه آزاد اسلامی