تبخیر-تعرق پتانسیل یکی از مهم‌ترین مؤلفه‌های چرخه هیدرولوژیک و عامل کلیدی در مدیریت منابع آب، برنامه‌ریزی آبیاری، طراحی سامانه‌های آبیاری و بهره‌برداری بهینه از مخازن سدها به‌شمار می‌رود. تخمین دقیق آن به‌ویژه در مناطق خشک و نیمه‌خشک مانند ایران، اهمیت ویژه‌ای دارد. در این پژوهش از تبخیر-تعرق پتانسیل و دمای متوسط با تاخیر زمانی برای تخمین تبخیر و تعرق پتانسیل در حوضه آبریز کرخه استفاده شده است. بدین منظور از داده‌های ماهانه این دو متغیر در بازه زمانی 2024-1995 که از پایگاه داده Terra Climate استخراج شده‌اند، استفاده شد و همبستگی تبخیر-تعرق پتانسیل هر ماه با مقادیر یک تا پنج ماه قبل و همچنین با دمای متوسط همان ماه و یک تا پنج ماه قبل محاسبه گردید. برای مدلسازی این فرآیند نیز از دو رویکرد هوش مصنوعی شامل شبکه عصبی مصنوعی (ANN) و مدل حافظه بلندمدت کوتاه مدت (LSTM) به‌کار گرفته شد. نتایج نشان داد که بیشترین همبستگی مربوط به سه متغیر تبخیر-تعرق پتانسیل ماه قبل، دمای متوسط همان ماه، دمای متوسط ماه قبل می‌باشد. همچنین، نتایج نشان داد که هر دو مدل ANN و LSTM توانایی مناسبی در برآورد تبخیر–تعرق پتانسیل دارند، اما مدل LSTM با مقادیر بالاتر ضریب همبستگی (R≈0.996)، شاخص نش–ساتکلیف (NSE≈0.989) و خطای کمتر در مرحله صحت سنجی نسبت به ANN، عملکرد پایدارتر و تعمیم‌پذیری بهتری ارائه داد. بنابراین استفاده از مدل LSTM در مدلسازی تبخیر–تعرق پتانسیل در حوضه کرخه توصیه می‌شود.

کلمات کلیدی