Key points are not available for this paper at this time.
Die Evapotranspiration wird als eine der grundlegendsten und primären Komponenten von größter Bedeutung für den hydrologischen Wasserkreislauf angesehen. Aufgrund der globalen Erwärmung sehen sich jedoch zahlreiche Regionen, insbesondere aride und semi-aride Gebiete, mit Wassermangel konfrontiert. Daher zielte diese Forschung darauf ab, die Auswirkungen vorherzusagen, die der Klimawandel auf die Referenzevapotranspiration (ETo) in den Regionen Girne und Larnaca in Zypern in den nächsten drei Jahrzehnten (2017 – 2050) haben könnte. Die CROPWAT 8.0-Software berechnete die Vergangenheit mithilfe der Penman-Monteith-Methode, während das künstliche neuronale Netzwerk (ANN) Vorhersagen für die Zukunft traf. Ein dreischichtiges Netzwerk, das durch FFBP (Feed Forward Back Propagation) und den LM (Levenberg-Marquardt) Optimierungsalgorithmus trainiert wurde, wurde verwendet. Für die Studie wurden zwei Ansätze verfolgt: Beim ersten Ansatz blieben die Eingangsparameter statisch, während die Anzahl der verborgenen Neuronen variiert wurde; im zweiten Ansatz variierten die Eingaben zwischen 2 und 6 Parametern, und die verborgenen Neuronen verdoppelten die Eingaben. Der Bestimmtheitsmaß (R2) und der quadratische Mittelwertfehler (RMSE) wurden als Kriterium für die Leistungsbewertung des Netzwerks verwendet. Die Ergebnisse zeigten, dass das ANN die zukünftige ETo in den Regionen selbst mit eingeschränkten Klimaparametern effektiv vorhersagen kann, aber die Leistung durch Hinzufügen weiterer Eingaben signifikant gesteigert wurde, wobei Unterschiede von R2 0,8959 – 0,9997 und 0,8633 – 0,9996 in den Regionen beobachtet wurden.
Abdullahi et al. (Sun,) untersuchten diese Frage.