مهرانه خدامرادپور

سابقه و هدف: تبخیر – تعرق، یک فرایند کلیدی تعادل آب و همچنین یک عنصر مهم از تعادل انرژی است. بنابراین پیش بینی و تخمین تبخیر-تعرق در مدیریت آب زراعی، پیش بینی و نظارت بر خشکسالی و توسعه و بهره برداری از منبع­ های آبیِ موثر، می ­تواند بسیار با ارزش و کاربردی باشد. هدف از این مطالعه مدل سازی سری زمانی تبخیر-تعرق مرجع در ایستگاه سینوپتیک رشت توسط دو مدل SARIMA و GRNN در دوره 1956-2017، و پیش ­بینی آن برای سال ­های 2018-2027 می ­باشد. مواد و روش­ ها: شهر رشت در منطقه معتدل و مرطوب شمال ایران و در نوار جنوبی دریای خزر واقع است. در این مطالعه از روش تورنت وایت اصلاح شده برای برآورد ET0 استفاده شده است که پیشتر به نقل از محققان، در برآورد نرخ تبخیر-تعرق مرجعِ منطقه ی رشت عملکرد مطلوبی بیان کرده ست. میزان تبخیر-تعرق در سال­ های 1956-2017 برآورد شد. دو مدل برای مدل سازی و اعتبارسنجی سری زمانی ET0 انتخاب گردید. مدل SARIMA از مدل­ های استوکستیک فصلی و مدل GRNN بر پایه ی هوش مصنوعی استوار است. ورودی های مدل ها تا 3 گام زمانی قبل ماهانه و سالانه انتخاب شدند. ماتریس­ های ورودی-هدف، به دو بخش واسنجی (75%) و اعنبارسنجی (25%) تقسیم شدند. تابع ACF نشان دهنده وجود روند فصلی در سری ماهانه ET0، با دوره بازگشت 12 بود. با چهار مرتبه تفاضل گیری مشخص شد که بهترین درجه تفاضل گیری مدل SARIMA در مرتبه اول می­ باشد. سایر عملگرهای SARIMA نیز، اعم از اتورگرسیو و میانگین متحرک فصلی و غیر فصلی، توسط سعی و خطا انتخاب شدند. بهینه سازی مدل GRNN نیز توسط سعی و خطای پارامتر گستره انجام شد. در این مطالعه معیارهایی همچون RMSE، NS و R برای بررسی خطا و همبستگی خروجی­های مدل استفاده شد. نتایج و بحث: بهترین مدل از الگوی SARIMA، مدل SARIMA(0,0,1)(0,1,1)12 معرفی شد. میزان RMSE و NS برای این مدل به ترتیب برابر با 89/8 میلی متر و 97/0 بود. مدل GRNN با اعمال کل ورودی ­ها بهترین نتیجه را نشان داد. مقادیر RMSE و NS در بهترین خروجی GRNN برابر با 22/9 میلی متر و 96/0 محاسبه شد. تفاوت دو مدل در برآورد کمینه ها (ماه های ژانویه و فوریه) گزارش شد که بنا برآن SARIMA عملکرد بهتری داشت. برای مقایسه این دو مدل از دیاگرام تیلور نیز استفاده شد. دیاگرام تیلور نشان داد دقت SARIMA نه تنها در میزان خطا، بلکه در همبستگی و برآورد انح