%0 Journal Article %T برآورد تبخیر روزانه از تشت تبخیر با استفاده از روش های یادگیری ماشینی %J نشریه آبیاری و زهکشی ایران %I انجمن آبیاری و زهکشی ایران %Z 2008-7942 %A صمدیان فرد, سعید %A هاشمی, سجاد %A ایزدیار, مجتبی %D 2018 %\ 10/23/2018 %V 12 %N 4 %P 1004-1015 %! برآورد تبخیر روزانه از تشت تبخیر با استفاده از روش های یادگیری ماشینی %K شبکه عصبی مصنوعی %K توابع کرنل %K تحلیل آماری %K مدیریت منابع آب %R %X تبخیر یکی از اصلی‌ترین فرایندها در چرخه‌ی آبی طبیعت و یکی از مهمترین عوامل در مطالعات کشاورزی، هیدرولوژیکی، هواشناسی، بهره‌برداری مخازن، طراحی سیستم‌های آبیاری و زهکشی، زمان‌بندی آبیاری و مدیریت منابع آب می‌باشد. بنابراین شبیه‌سازی هرچه دقیق‌تر مقدار تبخیر از اهمیت بالایی در مطالعات هیدرولوژیکی برخوردار است. در این راستا و در تحقیق حاضر، از روش‌های هوشمند برنامه‌ریزی ژنتیک، رگرسیون بردار پشتیبان و شبکه عصبی مصنوعی برای برآورد و شبیه‌سازی مقادیر تبخیر از تشت در ایستگاه‌های هواشناسی تبریز و جلفا استفاده شده‌است بدین منظور، از داده‌های هواشناسی تبخیر، دما، رطوبت نسبی، سرعت باد و تابش خورشیدی ایستگاه‌های مذکور در بازه زمانی بیست ساله (1390-1371) استفاده شده و دقت روش‌های مورد مطالعه با استفاده از پارامترهای آماری جذر میانگین مربعات خطا، میانگین خطای مطلق، ضریب همبستگی و همچنین دیاگرام تیلور مورد بررسی قرار گرفت. نتایج حاصل از این پژوهش نشان دادند که در بهینه‌ترین حالت و به‌ترتیب در ایستگاه‌های تبریز و جلفا، برنامه‌ریزی ژنتیک با دارا بودن خطای 2.18 و 2.68، رگرسیون بردار پشتیبان با خطای 2.19 و 2.22 و شبکه عصبی مصنوعی با خطای 2.14 و 2.21 عملکرد مناسبی در شبیه سازی مقدار تبخیر داشته‌اند. در نهایت برای ایستگاه تبریز سناریو دوم روش شبکه عصبی مصنوعی با پارامترهای ورودی دما و سرعت باد و برای ایستگاه جلفا سناریو هفتم روش شبکه عصبی مصنوعی با پارامترهای ورودی دما، رطوبت نسبی، سرعت باد و تابش خورشیدی و دارا بودن بهترین عملکرد، به عنوان مدل‌هایی با دقت مناسب برای شبیه سازی مقدار تبخیر از تشت پیشنهادگردید. %U https://idj.iaid.ir/article_79410_6d4c661cc26c25ef9258662910f2ffb3.pdf