بررسی عملکرد الگوریتم هیبریدی بهینه‌سازی خرگوش مصنوعی (ANN-ARO) در پیش‌بینی تبخیر و تعرق مرجع با پارامترهای اقلیمی محدود

Abstract

تبخیر و تعرق مرجع به‌عنوان یکی از متغیرهای مهم در هیدرولوژی و علوم کشاورزی محسوب می‌گردد و یک عامل تعیین‌کننده در مدیریت منابع آب است. این مطالعه به بررسی مدل هیبریدی شبکه عصبی با الگوریتم بهینه‌ساز خرگوش مصنوعی (ANN-ARO) برای مدل‌سازی روزانه تبخیر و تعرق مرجع با پارامترهای هواشناسی محدود و مقایسه آن با سایر روش‌های هیبریدی یعنی شبکه عصبی مصنوعی با الگوریتم بهینه‌سازی ذرات (ANN-PSO)، شبکه عصبی مصنوعی با الگوریتم ژنتیک گرهی (ANN-GA) و 5 مدل داده‌کاوی دیگر می‌پردازد. این مدل‌ها با استفاده داده‌های آب‌وهوایی روزانه بلندمدت از سال 2000 تا 2023، در دو اقلیم متفاوت ارزیابی شدند. ایستگاه‌های مورد بررسی شامل بیرجند (با اقلیم خشک کویری) و مشهد (با اقلیم نیمه‌خشک سرد) بود. مقایسه آماری نشان داد که با درنظرگرفتن کلیه پارامترهای اقلیمی مدل هیبریدی ANN-ARO در شهر مشهد با 9986/0R2= و 0001/0 MSE=و در شهر بیرجند با 9986/0R2= و 0001/0MSE= تخمین‌های بهتری را نسبت به سایر روش‌ها داشت. همچنین الگوریتم بهینه‌سازی ANN_ARO با درنظرگرفتن حداقل پارامتر هواشناسی، به‌ترتیب با "دما" و "رطوبت نسبی" بهترین تخمین را داشته و همچنین با درنظرگرفتن دو و سه پارامتر ورودی، عملکرد بهتری نسبت به سایر روش‌ها دارد. به‌طورکلی، الگوریتم‌های بهینه‌سازی الهام‌گرفته از طبیعت ابزارهای قوی برای افزایش عملکرد ANN در شبیه‌سازی ETo هستند و مطابق یافته‌های این پژوهش، مدل ANN-ARO برای تخمین تبخیر و تعرق مرجع در مناطق اقلیمی مشابه با داده‌های اقلیمی محدود به‌شدت توصیه می‌شوند. این مطالعه مدل‌های قدرتمندی را برای تخمین دقیق ETo با ورودی‌های محدود در اقلیم‌های خشک و نیمه‌خشک پیشنهاد می‌کند که مفاهیمی عملی را برای توسعه کشاورزی دقیق ارائه می‌دهد.