TY - JOUR ID - 142749 TI - برآورد تبخیر و تعرق گیاه مرجع با استفاده از ANN و ANFIS در اقلیم نیمه‌خشک و خشک JO - نشریه آبیاری و زهکشی ایران JA - IDJ LA - fa SN - 2008-7942 AU - بیدآبادی, محدثه AU - بابازاده, حسین AU - شیری, جلال AU - صارمی, علی AD - گروه مهندسی آب، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات تهران AD - استاد گروه گروه علوم و مهندسی آب، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران AD - دانشیار گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران AD - استادیار گروه صلوم و مهندسی آب، واحد صلوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران Y1 - 2022 PY - 2022 VL - 15 IS - 6 SP - 1412 EP - 1420 KW - اقلیم نیمه خشک و خشک KW - ایستگاه سینوپتیک کرمان KW - تبخیر و تعرق KW - سیستم استنتاج تطبیقی عصبی فازی KW - شبکه عصبی مصنوعی DO - N2 - برآورد میزان ﺗﺒﺨﯿﺮ و ﺗﻌﺮق (ETo) که ﯾﮑﯽ از ﻣﺆﻟﻔﻪ‌ﻫﺎی ﭼﺮﺧﻪ ﻫﯿﺪروﻟﻮژﯾﮏ و هم چنین پارامتری موثر در برنامه‌ریزی آبیاری است، از اهمیت بالایی برخوردار است اما اکثر اوقات محدودیت و یا کمبود داده‌های هواشناسی مانع می‌شود تا بتوان از روش پیشنهادی فائو پنمن مانتیث برای برآورد ETo استفاده کرد. در ﻣﻄﺎﻟﻌﻪ ﺣﺎﺿﺮ ﺑﻪ ﺑﺮرﺳﯽ ﻗﺎﺑﻠﯿﺖ شبکه عصبی مصنوعی (ANN) و ﺳﯿﺴﺘﻢ اﺳﺘﻨﺘﺎج ﻋﺼﺒﯽ ﻓﺎزی ﺗﻄﺒﯿﻘﯽ (ANFIS) در ﺑﻬﺒﻮد ﺗﺨﻤﯿﻦ ﻣﯿﺰان ETo در شرایط کمبود داده پرداخته شده است. داده‌ﻫﺎی اﻗﻠﯿﻤﯽ در این مطالعه ﺷﺎﻣﻞ ساعت تابش، ﺳﺮﻋﺖ ﺑﺎد، دﻣﺎی ﻫﻮای حداقل، حداکثر و متوسط می‌ﺑﺎﺷﺪ ﮐﻪ در پهنای اقلیمی خشک و نیمه‌خشک از 12 اﯾﺴﺘﮕﺎه سینوپتیک اﺧﺬ ﮔﺮدﯾﺪه و ﺑﻪ ﻋﻨﻮان ورودی‌ﻫﺎی ﻣﺪل ﺑﺮ اﺳﺎس ﻣﻌﺎدﻟﻪ FAO56-PM در سه حالت ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار ﮔﺮفت. ﻧﺘﺎﯾﺞ ﺣﺎﺻﻞ از ارزیابی مدل‌ها نشان داد که روش‌های هوش مصنوعی نتایج بهتری را نسبت به روش‌های تجربی ارائه می‌دهند همچنین هر دو مدل ANN و ANFIS با داده‌های ورودی دمای متوسط و سرعت باد بهترین نتایج را ارائه می‌دهند و پس از آن به ترتیب ورودی‌های دمای حداقل و حداکثر و ورودی‌های دمای متوسط و ساعت تابش قرار می‌گیرند و بین دو مدل ANN و ANFIS، مدل ANFIS نتایج بهتری را نشان داد. UR - https://idj.iaid.ir/article_142749.html L1 - https://idj.iaid.ir/article_142749_662e11364a4509c5089392acdc0a8ecb.pdf ER -