@article { author = {Hozhabr, Hassan and Moazed, Hadi and ShokriKhoochak, Saeed}, title = {Estimation of Reference Evapotranspiration (ETo) Using Empirical Models, Artificial Neural Network Modeling and Their Comparison with Lysimeter Data in Urmia Kahrizi Station.}, journal = {Irrigation and Water Engineering}, volume = {4}, number = {3}, pages = {13-25}, year = {2014}, publisher = {انجمن علمی مهندسی آبیاری و آب ایران}, issn = {2251-7359}, eissn = {}, doi = {}, abstract = {One of methods to reduce water losses in fields is correct programming of irrigation and accurately estimate the crop water requirement form the basis of this programming that is the coefficient of Reference Evapotranspiration. Reference Evapotranspiration is a complex and multivariate phenomenon that depends on climatic factors and most accurate way to estimate it is lysimeter but using Lysimeter requires a lot of time and money, hence the Evapotranspiration estimation is done by meteorological parameters and applying empirical models. These models have the coefficients that each coefficient is representative of regional conditions that equation is calibrated in that area. According to that the evapotranspiration process is complex and nonlinear, therefore using of methods that can this complexity of modeling, it seems necessary. Therefore in this study was used of artificial neural networks for evapotranspiration modeling and in this context of MATLAB software was used. The purpose of this study was to evaluate artificial neural networks and 11 methods known in the estimation of reference crop evapotranspiration for Urmia Kahrizi Research Station. based on daily meteorological data and 4-years data from Lysimeter of the station, Evapotranspiration was calculated to above methods. The results of calculations showed that the Artificial Neural Network has better performance than all the classical methods, it has a RMSE, MAE and R2 respectively is equal to 9.65 (mm/10day) , 7.53 (mm/10day) and 0.804. Also among the classical method, the Turc with the lowest RMSE, MAE and R2 equal to 11.69 (mm/10day) , 8.99 (mm/10day) and 0.719 is a priority. Jensen-Haise, Penman-Monteith-Fao 56 and etc methods has been corrected in the next priorities.}, keywords = {evapotranspiration,Artificial Neural Networks,Urmia Kahrizi,Lysimeter,Empirical Models,MATLAB}, title_fa = {برآورد تبخیر و تعرق مرجع با استفاده از مدل‌های تجربی، مدل‌سازی آن با شبکه عصبی مصنوعی و مقایسه آن‌ها با داده‌های لایسیمتری در ایستگاه کهریز ارومیه}, abstract_fa = {یکی از راه‌های کاهش تلفات آب در مزارع، برنامه­ریزی صحیح آبیاری می­باشد و اساس این برنامه­ریزی را برآورد دقیق نیاز آبی گیاهان تشکیل می­دهد که ضریبی از تبخیر و تعرق مرجع است. تبخیر و تعرق مرجع یک پدیده چند متغیره و پیچیده است که به عوامل متعدد اقلیمی بستگی دارد و دقیق­ترین روش­ برای برآورد آن، لایسیمتر است اما استفاده از لایسیمتر، مستلزم وقت و هزینه زیادی است، از این رو تخمین تبخیر و تعرق با استفاده از پارامترهای هواشناسی و به کار بردن مدل­های تجربی انجام می­گیرد. این مدل­ها دارای ضرایبی هستند که معرف شرایط منطقه­ای است که مدل در آن منطقه، واسنجی شده است؛ لذا کاربرد این مدل­ها برای هر منطقه، نیاز به بررسی دارد. با توجه به اینکه تبخیر و تعرق، فرآیندی پیچیده و غیرخطی است، لذا استفاده از روش­هایی که بتوانند این پیچیدگی را مدل­سازی نمایند، الزامی به نظر می‌رسد. به این منظور در این تحقیق از شبکه عصبی مصنوعی برای مدل­سازی تبخیر و تعرق استفاده شد و در این راستا از نرم افزار MATLAB کمک گرفته شد. هدف از این تحقیق، ارزیابی شبکه­های عصبی مصنوعی و 11 روش شناخته شده در تخمین تبخیر و تعرق گیاه مرجع برای ایستگاه تحقیقاتی کهریز ارومیه می­باشد. بر اساس داده­های اقلیمی روزانه و داده­های 4 ساله لایسیمتری ایستگاه، مقدار تبخیر و تعرق به روش‌های مذکور محاسبه گردید، نتایج حاصل از محاسبات نشان داد که شبکه عصبی مصنوعی نسبت به تمامی روش­های کلاسیک عملکرد مناسب­تری داشته و دارای RMSE، MAE و R2 به ترتیب برابر با 65/9 (میلی­متر در ده روز)، 53/7 (میلی­متر در ده روز) و 804/0 می‌باشد. همچنین در میان روش­های کلاسیک، مدل تورک با RMSE، MAE و R2 به ترتیب برابر با 69/11 (میلی­متر در ده روز) ، 99/8 (میلی­متر در ده روز) و 719/0 در اولویت قرار دارد و روش­های جنسن- هیس، پنمن- مانتیث- فائو 56 و ... در اولویت­های بعدی قرار دارند}, keywords_fa = {تبخیر و تعرق,شبکه‌ عصبی مصنوعی,کهریز ارومیه,لایسیمتر,مدل‌های تجربی,MATLAB}, url = {https://www.waterjournal.ir/article_70885.html}, eprint = {https://www.waterjournal.ir/article_70885_22dbac3680bb481eb114476198654316.pdf} }