@article { author = {Hosseini, Seyed MohammadReza and Ganji Khorramdel, Naser and Kheltabadi Farahani, Amir Hossein}, title = {Empirical and intelligence Models Evaluation in Estimation of Reference Evapotranspiration by Minimum Climate Data; case study shahrekord}, journal = {Irrigation and Water Engineering}, volume = {7}, number = {1}, pages = {128-141}, year = {2016}, publisher = {انجمن علمی مهندسی آبیاری و آب ایران}, issn = {2251-7359}, eissn = {}, doi = {}, abstract = {  Abstract The water resources are severely affected by hydrological cycle.Estimation of evapotranspiration which is the main component of the hydrological cycle plays an important role in water resources management. This phenomenon is non-linear and many factors affect on that and its estimation is very difficult. Various methods have been employed to estimate evapotranspiration although they have some limitations or problems. Some of these methods are costly and time-consuming such as lysimeters, and other empirical methods have local authority. Accordingly, applying a method that can be able to model the evapotranspiration regard to the nature of the gathered data and usage of minimum climate parameters is necessary. Nowadays, Artificial Neural Network (ANN) as a novel intelligent method are used in various sciences. In this study, the daily data of two climatological stations, namely Farokhshahr and Shahrekord airport in the interval of 2004-2013 including minimum temperature, maximum temperature, average relative humidity, sunshine, and wind speed at the height of two meters under different scenarios were utilized. Initially, empirical methods of reference evapotranspiration were approximated.The used empirical methods in this research have been Hargreaves, Blany Criddle, Priestley Taylor, and Jensen Hayes. The ANN model has been designed based on different scenarios of input data through MATLAB (R2012 b) Software. In this step, different ANN architectures were evaluated based on sensitivity and accuracy So, threshold functions such as tangent sigmoid and log sigmoid in hidden layers, linear function output layer were tested in topology where as Levenberg Marquardt employed as learning function.To evaluate the models, Penman Monteis FAO 56 model was employed.The statistical indexes, namely RMSE, MAE and R were calculated. Ten scenarios have been examined, and the results demonstrated that  Scenario one with five parameters had the lowest error in comparision to FAO 56 technique. Furthermore, the perposed model show superior performance than empirical methods. However, between the empirical methods, Priestley Taylor and Hargreaves had better performance. On the other hand, the sensitivity analysis illustrated that the maximum temperature and wind speed had the greatest influence on reference evapotranspiration in these regions.}, keywords = {Artificilal Neural Network (ANN),cold-Arid Region,Empirical Methods,MATLAB,Reference Evapotranspiration}, title_fa = {ارزیابی مدل‌های تجربی و هوشمند در تخمین تبخیر و تعرق مرجع در شرایط حداقل داده اقلیمی؛ مطالعه موردی شهر کرد}, abstract_fa = {امروزه منابع آب به شدت تحت تاثیر چرخه­ی هیدرولوژیکی هستند و برآورد تبخیر و تعرق که جزء اصلی از چرخه­ی هیدرولوژیکی است، در مدیریت منابع آب نقش بسزایی دارد. این پدیده، غیرخطی و از این لحاظ که پارامترهای بسیاری در برآورد آن دخیل هستند، کاری بسیار مشکل است. روش­های زیادی برای برآورد تبخیر و تعرق وجود دارد که هر کدام با مشکلی مواجه می­باشند. بعضی از این روش­ها مثل لایسیمتر هزینه­بر و زمانبر می­باشند و برخی دیگر مثل روش­های تجربی اعتبار محلی دارند. استفاده از روشی که بتواند با توجه به ماهیت و استفاده­ی حداقل از داده­های اقلیمی تبخیر و تعرق را مدل کند، ضروری به نظر می­رسد. امروزه شبکه­های عصبی که شاخه­ای از هوش محاسباتی می­باشند، در علوم مختلف مورد استفاده قرار می­گیرند. در این تحقیق از داده­های روزانه­ی دو ایستگاه فرخشهر و فرودگاه شهرکرد در بازه­ی زمانی 2013- 2004 شامل دمای حداقل، دمای حداکثر، رطوبت نسبی میانگین، ساعات آفتابی و سرعت باد در ارتفاع دو متری تحت سناریوهای مختلف استفاده شد. ابتدا به محاسبه­ی چند روش تجربی در برآورد تبخیر و تعرق مرجع پرداخته شد. روش­های تجربی مورد استفاده این تحقیق هارگریوز، بلانی کریدل، پریستلی تیلور و جنسن هیز بودند. مدل شبکه­ی عصبی مصنوعی تحت سناریوهای مختلف داده­ی ورودی به کمک نرم‌افزار (R2012b) MATLABطراحی گردید. در این قسمت با انجام تست­های مختلف با توجه به حساسیت و میزان دقت مورد انتظار از دو تابع تانژانت سیگموئید و لوگ سیگموئید در لایه پنهان، تابع خطی در لایه خروجی و قاعده­ی آموزش لونبرگ مارکوات استفاده شد. برای ارزیابی مدل­ها از مدل پنمن مونتیث فائو 56 استفاده شد. شاخص­های آماری    RMSE وMAE  و  Rمحاسبه گردید. نتایج نشان داد که از بین ده سناریوی مورد بررسی، سناریوی یک با هر پنج متغیر ورودی، کمترین خطا را نسبت به روش فائو 56 و عملکرد بسیار بهتری نسبت به روش­های تجربی داشت. از بین روش­های تجربی نیز مدل پریستلی تیلور و هارگریوز عملکرد بهتری داشتند. همچنین نتایج آنالیز حساسیت نشان داد که دمای ماکزیمم و سرعت باد بیشترین تاثیر را بر تبخیر و تعرق مرجع در این منطقه داشتند.                }, keywords_fa = {واژه‎های کلیدی: تبخیر وتعرق مرجع,روش‌های تجربی,شبکه‌ی عصبی مصنوعی,MATLAB,منطقه خشک سرد}, url = {https://www.waterjournal.ir/article_74012.html}, eprint = {https://www.waterjournal.ir/article_74012_d3782c8a2f7e7e85c10dda7ec1e1a42f.pdf} }