انجمن آبیاری و زهکشی ایران نشریه آبیاری و زهکشی ایران 2008-7942 9 1 2015 04 21 Prediction of Monthly Grass Reference Crop Evapotranspiration in Northwest of Iran Using Genetic Programming and Support Vector Machine پیش‌بینی تبخیر و تعرق ماهانه گیاه مرجع در شمال‌غرب کشور با استفاده از برنامه‌ریزی ‌ژنتیک و ماشین بردار پشتیبان 54 65 54853 FA فرشاد احمدی دانشجوی دکترای مهندسی منابع آب دانشگاه شهید چمران، اهوز، ایران فریدون رادمنش استادیار گروه مهندسی منابع آب دانشگاه شهید چمران اهواز، اهواز، ایران رسول میرعباسی نجف آبادی استادیار گروه مهندسی آب دانشگاه شهرکرد، شهر کرد، ایران سجاد آیشم دانشجوی کارشناسی ارشد مهندسی منابع آب دانشگاه ارومیه، ارومیه، ایران Journal Article 2014 08 30 In this study, for estimating grass reference crop evapotranspiration using support vector machine (SVM) and genetic programming (GP) techniques, monthly meteorological data of 6 synoptic stations in northwest of Iran during a 38 year period (1973-2010) were collected. At first, the monthly grass reference crop evapotranspiration values for selected station were calculated using the FAO-56 Penman-Monteith equation and considered as the output of SVM and GP models. In the next step, a regression equation was made based on effective climatic variables on evapotranspiration and different input patterns were defined for developing SVM and GP models. Since the relative humidity had the lowest effect on evapotranspiration, it was removed from the model’s input variables. In order to consider the effect of memory of time series in the accuracy of evapotranspiration prediction, the evapotranspiration values with one, two, three, four and five months lag time were used in model’s input patterns. Ten input patterns were made for every model. However, the obtained results showed the high accuracy of both SVM and GP models in predicting monthly grass reference crop evapotranspiration in northwest of Iran, but the SVM method had better performance than GP method. Also, the results showed that if there is no enough meteorological data, the memory of time series can be used for predicting monthly grass reference crop evapotranspiration. در مطالعه حاضر به­منظور تخمین تبخیر- تعرق گیاه مرجع با استفاده از دو مدل ماشین بردار پشتیبان (SVM) و برنامه­ریزی ژنتیک (GP) در مقیاس زمانی ماهانه، 6 ایستگاه سینوپتیک در منطقه شمال­غرب کشور در دوره آماری 38 ساله (2010-1973) انتخاب گردید. در ابتدا مقادیر تبخیر- تعرق مرجع ماهانه برای ایستگاه­های منتخب توسط روش فائو- پنمن- مانتیث محاسبه و به عنوان خروجی مدل­های SVM و GP در نظر گرفته شد. سپس یک رابطه رگرسیونی بین متغیرهای اقلیمی مختلف مؤثر در پدیده تبخیر- تعرق به­دست آمده و الگوهای مختلف ورودی برای مدل­های مورد استفاده مشخص شد که بر این اساس رطوبت نسبی با داشتن کم­ترین اثر از ورودی­ها حذف گردید. هم­چنین در مطالعه حاضر، به منظور بررسی اثر حافظه در پیش­بینی تبخیر- تعرق از گام­های زمانی (تاخیر) یک، دو، سه، چهار و پنج ماهه نیز به عنوان ورودی برای مدل­ها استفاده شد. به طور کلی، برای هر مدل 10 الگوی ورودی ایجاد گردید. هرچند نتایج حکایت از دقت بالا و خطای کم هر دو مدل در پیش­بینی تبخیر- تعرق مرجع ماهانه در شمال غرب ایران داشت، ولی کارایی مدل SVM به مراتب بهتر از مدل GP بود. هم­چنین نتایج مطالعه حاضر نشان داد که در صورت نبود اطلاعات هواشناسی کافی، می­توان از حافظه نیز در پیش­بینی تبخیر- تعرق گیاه مرجع استفاده کرد. https://idj.iaid.ir/article_54853_45c296cef625bc253f3f5d5076a777aa.pdf