نوع مقاله : مقاله پژوهشی

نویسندگان

• هادی وروانی ¹
• محمدامین مرادی ²
• جواد وروانی ³

¹ دانشجوی دکتری دانشگاه رازی

² دانشجوی دکتری دانشگاه قزوین

³ استادیار دانشکده کشاورزی دانشگاه آزاد اسلامی اراک

چکیده

 
تبخیر و تعرق یکی از اجزای اصلی چرخه هیدرولوژی و تخمین نیاز آبیاری است . در سال های اخیر استفاده از سیستم های هوش مصنوعی برای برآورد پدیده های هیدرولوژی افزایش چشمگیری داشته است .از این رو این تحقیق با هدف امکان سنجی استفاده از مدل رگرسیون درختی  در برآورد تبخیر و تعرق ماهانه گیاه مرجع(ETo) و مقایسه آن با روش پنمن مانتیث فائو  در سه ناحیه اقلیمی ایران  انجام شد. از مزایای مدل رگرسیون درختی نسبت به دیگر مدل های هوش مصنوعی از قبیل شبکه های عصبی، عدم نیاز به فرایند وقت گیر آزمون و خطا و نیز ارائه نتایج به‌صورت روابط ریاضی است. در مطالعه ی حاضر، متوسط ماهانه ی داده های حداقل و حداکثر دما، رطوبت نسبی، سرعت باد و تابش خورشیدی به عنوان داده های ورودی به مدل در نظر گرفته شده است. نتایج حاصله نشان داد که ضرایب تعیین مدل های تولید شده توسط مدل رگرسیون درختی در برآورد پارامتر تبخیر و تعرق مرجع برای نواحی گرمسیر، معتدل .و سردسیر به-ترتیب برابر است با 0/78 ، 0/80 و 0/89 که حاکی از توانایی بالای مدل مذکور است.

کلیدواژه‌ها

• هوش مصنوعی
• پنمن مانتیث فائو

عنوان مقاله [English]

Estimation of Monthly Reference Evapotranspiration Using Regression Tree in Different Climatic Regions of Iran

نویسندگان [English]

• hadi varvani ¹
• Mohammadamin Moradi ²
• Javad Varvani ³

چکیده [English]

Evapotranspiration is one of the main components of hydrologic cycle and its data is needed to determine the irrigation demand. Artificial intelligence system has been widely used to estimate the hydrological events during the recent decades. The aim of this research was to use the regression tree method  to estimate the reference evapotranspiration (ETo) and to compare with FAO-Penman-Monteith method in different climatic condition across Iran. One of advantages of the Regression Tree model compared to other intelligent models like Neural Networks is that it lacks the time-consuming process of trial-and-error; and representing the results mathematically. Different data such as monthly minimum, average and maximum temperature, relative humidity, wind speed, and solar radiation were used as input to the model. Finally, the results showed that regression tree model can estimate the reference evapotranspiration for different climatic conditions including arid to semi-arid, temperate, and cold climate conditions with 0.78, 0.8,  and 0.89 correlation coefficients, respectively.

کلیدواژه‌ها [English]

• Artificial Intelligence
• FAO-Penman-Monteith