@article { author = {Sepehri, Saloome and Abbasi, Fariborz and Zarei, Ghasem and Nakhjavanimoghaddam, Mohammad Mehdi}, title = {Investigation of Artificial Neural Network Based Models and Sensitivity Analysis for Reference Evapotranspiration Estimating}, journal = {Iranian Journal of Irrigation & Drainage}, volume = {14}, number = {6}, pages = {2089-2099}, year = {2021}, publisher = {Iranian Irrigation and Drainage Association}, issn = {2008-7942}, eissn = {2676-6884}, doi = {}, abstract = {Reference evapotranspiration (ETo) is one of the most critical parameters in proper design of irrigation systems. Accurate estimation of ETo leads to reduction of water losses. Due to the ability of Artificial Neural Networks (ANNs) in computational analysis of complex processes, the main objective of this study was to investigate the sensitivity of the ETo trends to key climatic factors in Tehran province using the artificial neural networks, and compare it with the ETo-calculator software results. The ETo was calculated using meteorological data (10-year data of 12 meteorological stations in Tehran province) using the ETo-calculator software. In order to model ETo, a set of inputs to artificial neural networks including the minimum and maximum air temperature (Tmax and Tmin), the minimum and maximum relative humidity (RHmin and RHmax), sunshine hours (n), and wind speed (U2) were considered. After data tagging, by optimizing the number of hidden layers and network algorithms, output values were estimated. The results indicated that artificial neural network is a suitable technique for ETo analysis(R^2≅98% ). The best model for estimation of ETo is feed-forward Multi-Layer Perceptron (MLP) with two hidden layers in its structure (6-11-14-1), Levenberg–Marquardt training algorithm for both hidden and output layers and Linear Tanh and Tanh transfer functions for hidden and output layers, respectively. The sensitivity analysis of the model for input parameters showed that the optimal artificial neural network model and ETo calculator software have the same trend and the Tmax and n are the most effective and least effective parameters in ETo estimation, respectively. Also, based on PCA analysis results the scenario of using of four parameters (Tmax, Tmin, RHmax and U2) as the only inputs to the selected artificial neural network, can estimate ETo with an acceptable accuracy〖(R〗^2≅94% ).}, keywords = {Artificial intelligence,FAO-Penman-Monteith,Meteorological parameters,optimization,Principal component analysis}, title_fa = {بررسی و تحلیل حساسیت روش‌های مبتنی بر شبکه‌های عصبی مصنوعی در برآورد تبخیر و تعرق گیاه مرجع}, abstract_fa = {تبخیر و تعرق از اثرگذارترین پارامترها در چرخه آب در طبیعت و نیز طراحی صحیح سامانه‌‌های آبیاری بوده و برآورد دقیق آن منجر به کاهش تلفات آب و برنامه‌ریزی بهتر آبیاری می‌گردد. با توجه به توانمندی شبکه‌های عصبی مصنوعی در تحلیل محاسباتی فرآیندهای پیچیده، این پژوهش با هدف کاربرد این تکنیک برای تحلیل داده‌های مؤثر در برآورد تبخیر و تعرق گیاه مرجع (ETo) و مقایسه آن با نتایج حاصل از نرم‌افزار ETo-calculator صورت گرفت. ETo با استفاده از داده‌های هواشناسی (آمار 10 ساله روزانه 12 ایستگاه‌ هواشناسی استان تهران) و با کاربرد نرم‌افزار ETo-calculator محاسبه شد. برای مدل‌سازی ETo، مجموعه ورودی‌ها به شبکه‌های عصبی مصنوعی شامل مقادیر دمای حداقل و حداکثر، رطوبت نسبی حداقل و حداکثر، سرعت باد و تعداد ساعات آفتابی در شبانه روز در نظر گرفته شدند. پس از نگاشت داده‌ها و با بهینه‌سازی تعداد لایه‌های پنهان و الگوریتم‌های شبکه، مقادیر خروجی برآورد شدند. نتایج نشان داد که شبکه عصبی مصنوعی تکنیک بسیار مناسبی برای تحلیل ETo است(R^2≅98% ) . شیوه آموزش پرسپترون چند لایه‌ای با دو لایه میانی، توابع انتقال تانژانت خطی و تانژانت برای لایه‌های پنهان و خروجی، قانون آموزش لونبرگ مارکوات برای هر دو لایه پنهان و خروجی و ساختار 1-14-11-6 به عنوان بهترین شبکه برای برآورد ETo پیشنهاد می‌شود. نتایج تحلیل حساسیت نشان داد که شبکه منتخب و نرم‌افزار ETo-calculator روند مشابهی داشته و پارامترهای دمای حداکثر و تعداد ساعات آفتابی در شبانه روز، به‌ترتیب مؤثرترین و کم‌اثرترین پارامترها در برآورد ETo هستند. همچنین بر مبنای نتایج حاصل از تحلیل مؤلفه‌های اصلی، سناریوی استفاده از چهار پارامتر دمای حداقل و حداکثر، رطوبت نسبی حداکثر و سرعت باد به عنوان تنها ورودی‌ها به شبکه عصبی مصنوعی منتخب، می‌تواند با دقت قابل قبولی تبخیر و تعرق گیاه مرجع را برآورد کند (R^2≅94‌% ) .}, keywords_fa = {بهینه‌سازی,پارامترهای هواشناسی,فائو پنمن مانتیث,هوش مصنوعی,تحلیل مؤلفه‌های اصلی}, url = {https://idj.iaid.ir/article_124985.html}, eprint = {https://idj.iaid.ir/article_124985_80c9be19f13490d46351351e19286328.pdf} }