fa شبیه سازی تبخیر روزانه به کمک مدل‌های سیستم استنتاج تطبیقی عصبی- فازی (ANFIS) و رگرسیون چندمتغیره (MR) در ایستگاه سینوپتیک تبریز تخصصي Special پژوهشي Research <strong><span dir="RTL"><span><span style="font-size: 10pt;">استفاده از مدل&shy;های تجربی برآورد تبخیر نیاز به متغیرهای زیادی دارند که برخی از آن&shy;ها در ایستگاه&shy;های کشور قابل<br> اندازه&shy;گیری نیستند لذا این تحقیق با هدف شبیه&shy;سازی تبخیر روزانه در ایستگاه سینوپتیک تبریز به کمک داده&shy;های هواشناسی شامل متوسط درجه حرارت هوا (</span></span></span><span style="font-family: times new roman bold,serif;"><span style="font-size: 8pt;">c</span></span><span dir="RTL"><span><span style="font-size: 10pt;"> ْ)، میانگین سرعت باد (</span></span></span><span style="font-family: times new roman bold,serif;"><span style="font-size: 8pt;">m/s</span></span><span dir="RTL"><span><span style="font-size: 10pt;">)، میانگین رطوبت نسبی (%) و ساعات آفتابی با استفاده از مدل&shy;های سیستم</span></span></span> <span dir="RTL"><span><span style="font-size: 10pt;">استنتاج</span></span></span> <span dir="RTL"><span><span style="font-size: 10pt;">تطبیقی</span></span></span> <span dir="RTL"><span><span style="font-size: 10pt;">عصبی-</span></span></span> <span dir="RTL"><span><span style="font-size: 10pt;">فازی و رگرسیون چندمتغیره با معماری&shy;های مختلف و در وضعیت&shy;های مختلف از متغیرهای ورودی انجام شد. پس از استانداردسازی داده&shy;ها، جهت</span></span></span> <span dir="RTL"><span><span style="font-size: 10pt;">آموزش شبکه از 85 درصد</span></span></span> <span dir="RTL"><span><span style="font-size: 10pt;">داده&shy;ها</span></span></span> <span dir="RTL"><span><span style="font-size: 10pt;">و جهت</span></span></span> <span dir="RTL"><span><span style="font-size: 10pt;">آزمون کارایی</span></span></span> <span dir="RTL"><span><span style="font-size: 10pt;">مدل&shy;ها (با شاخص&shy;های </span></span></span><span style="font-family: times new roman bold,serif;"><span style="font-size: 8pt;">RMSE</span></span><span dir="RTL"><span><span style="font-size: 10pt;"> و </span></span></span><span style="font-family: times new roman bold,serif;"><span style="font-size: 8pt;">R2</span></span><span dir="RTL"><span><span style="font-size: 10pt;">) از 15</span></span></span> <span dir="RTL"><span><span style="font-size: 10pt;">درصد</span></span></span> <span dir="RTL"><span><span style="font-size: 10pt;">داده&shy;ها استفاده شد. نتایج مدل سیستم استنتاج تطبیقی عصبی- فازی نشان داد که مدل بهینه نروفازی با 1 و 2 متغیر ورودی از نوع شبکه (با 3 تابع عضویت گوسی) و با 3 و 4 متغیر ورودی از نوع خوشه&shy;ای است. طبق نتایج مدل رگرسیونی اضافه نمودن متغیر رطوبت نسبی باعث تغییرات قابل&shy;ملاحظه&shy; شاخص&shy;های اعتبارسنجی در بخش داده&shy;های آموزش و آزمون نشد و متغیر ساعت آفتابی در مدل رگرسیونی حفظ نشد. طبق نتایج می&shy;توان به کمک مدل سیستم استنتاج تطبیقی عصبی- فازی نسبت به رگرسیون، ضریب تبیین شبیه&shy;سازی را بیش از 10 درصد افزایش داد که لازمه آن استفاده از 4 متغیر ورودی شامل متوسط درجه حرارت هوا، متوسط سرعت باد، رطوبت نسبی و ساعت آفتابی و مدل&shy;سازی با مدل نروفازی خوشه است.</span></span></span></strong> Using empirical models for estimating evaporation requires a lot of variables that some of them can not be measured in the stations. Therefore, this study aimed to simulate the daily evaporation of Tabriz synoptic satation using meteorological data including average temperature of air (<span dir="RTL">ْ</span>c), wind velocity mean (m/s), relative humidity (%) and sun light hours by Adaptive Neuro-Fuzzy Inference Systems (ANFIS) and Multivariate Regression (MR) in the different architectures and input variables. After standardization of data, 85% of the data was used for network training and the efficiency of models (with indicators RMSE and R² indicators) was coducted on testing data that included 15% of data.The results illustrated that the optimal model of ANFIS were obtained grid method (with three Gaussian membership functions) when one and two variables used as inputs and gained cluster method when three and four variables used as inputs. Adding relative humidity variable to the multivariate regression model didnot cause a significant changes in validation criterias of the training and testing data and also sun light hour&#39;s variable was excluded from the multivariate regression model. The results showed that ANFIS simulation compared to multivariate regression can increase the coefficient of determination of model to more than 10 percent, which requires using of cluster method and four input variables (avearage temperature of air, wind velocity mean, relative humidity and sun light hours). تبخیر روزانه, تبریز, رگرسیون چندمتغیره, مدل سازی, نروفازی Daily evaporation, Tabriz, Multiple Regression, Modeling, Neuro-Fuzzy 200 212 http://jwmr.sanru.ac.ir/browse.php?a_code=A-10-1-215&slc_lang=fa&sid=1 صدیقه محمدی 10031947532846005737 10031947532846005737 Yes علیجان آبکار 10031947532846005738 10031947532846005738 No