تبخیر به عنوان پارامتری اساسی در تحقیقات کشاورزی، هیدرولوژی و حفاظت آب و خاک از اهمیت خاصی برخوردار است. در این تحقیق برای صرفه جویی مصرف آب در هکتار برای تعیین تبخیر از روش های تجربی مایر، مارسیانو، شاهتین، هنفر، پنمن، ایوانف، تیچومیروف، سازمان عمران اراضی آمریکا در شهرستان بیرجند، از داده های هواشناسی و تشت تبخیر برای یک سال 2013 استفاده شد. با بررسی نتایج مدل پنمن به عنوان بهترین مدل تعیین تبخیر معرفی گردید. آماره های R2 و RMSE و NS برای این مدل به ترتیب برابر %74 و 5.35 و 0.79 به دست آمد. مقادیر تبخیر پنمن در مقابل تشتک تبخیر کالیبره شد و با جداسازی میزان تبخیر در روز و شب مشاهده شد که میزان تبخیر از روز 4284.302 میلیمتر و در شب برابر 2530.402 میلیمتر می باشد.

تبخیر از جمله مسائلی مهم در هیدرولوژی و مهندسی منابع آب است که مورد توجه محققین قرار دارد. به دلیل تاثیر متقابل پارامترهای مختلف هواشناسی در محاسبه تبخیر، روابطی غیر خطی برای تخمین مقدار آن وجود دارد که از دقت بالایی برخوردار نیستند. سیستم استنتاج فازی- عصبی تطبیقی، از جمله روش های نوین است که برای تخمین و پی شبینی پارامترها با استفاده از ارتباط ذاتی بین داده ها توسعه یافته است. در این تحقیق، یک سامانه استنتاج فازی- عصبی تطبیقی (ANFIS)، از نوع سوگنو با کمک الگوریتم آموزش هیبرید (تلفیق الگوریتم مربع خطا و گرادیان نزولی انتشار بازگشتی)، با استفاده از آمار روزانه هواشناسی ایستگاه گنبد آموزش داده شد. پارامترهای درجه حرارت هوا، رطوبت نسبی، سرعت باد، ساعات آفتابی به عنوان ورودیهای شبکه و تبخیر روزانه از تشت تبخیر بعنوان خروجی شبکه در نظر گرفته می شود. نتایج نشان می دهد سیستم فازی- عصبی، دارای دقت خوبی در تخمین میزان تبخیر روزانه از تشت تبخیر می باشد.

محدودیت منابع آب از مهمترین عواملی است که توسعه کشاورزی را در مناطق خشک و نیمه خشک تحت تاثیر قرار می دهد. از طرفی استفاده بهینه از منابع موجود خود مستلزم محاسبه درست میزان آب مصرفی و نظارت دقیق بر چگونگی بیلان آب در حوزه های مورد مطالعه می باشد. از این رو برآورد صحیح میزان تبخیر و تعرق به عنوان یکی از ارکان اساسی در برنامه ریزی و مدیریت منابع آب از اهمیت و درجه اثر گذاری بالایی برخوردار است. عمده ترین مشکل در این زمینه کثرت اطلاعات مورد نیاز در روشهای محاسباتی دقیق چون فائو پنمن مانتیس، و فقدان این اطلاعات است که ضرورت استفاده از روشهای دیگر را سبب می شود. استفاده از داده های تشتک تبخیر بدلیل کثرت آن در مقایسه با ایستگاه های سینوپتیک می تواند یکی از روشهای برآورد تبخیر و تعرق باشد که دخالت ضریب Kp از دقت برآورد مدل کاسته است. بگونه ای که بر اساس مطالعات انجام شده در میان 20 روش موجود، این روش جایگاه آخر را بخود اختصاص می دهد. پژوهش حاضر می کوشد تا ضمن مدل نمودن روش تشتک تبخیر توسط شبکه های عصبی مصنوعی، قابلیت این مدل ها را در استخراج ضرایب Kp مورد بررسی قرار داده و منجر به ارایه راهکار مطلوب تری در حوزه های با آمار ناکافی گردد. مدل های مورد استفاده در این تحقیق از نوع پرسپترون چند لایه با قانون یادگیری پس از انتشار خطا بوده که بر روی آمار روزانه ایستگاه سینوپتیک هواشناسی طی سالهای 1990 تا 2000 میلادی اعمال شده است.پس از طراحی شبکه های مورد نظر، نتایج بدست آمده از هر شبکه به لحاظ شاخصهای آماری SE، SEE، b، R2، MAE، MBE، RMSE با نتایج بدست آمده از روشهای فائو پنمن مانتیس، تشتک تبخیر، بلانی کریدل، هارگریوز سامانی و جنسن هیز اصفلاح شده مقایسه گردید. در گام دیگر از شبکه عصبی مصنوعی جهت تعیین ضریب Kp استفاده، و خروج مدل با ضرایب استخراج شده از جداول پیشنهادی فائو مقایسه شد. بر اساس نتایج بدست آمده، عملکرد بسیار عالی شبکه های عصبی مصنوعی در مقایسه با روش تشتک تبخیر به روشنی می تواند استفاده از ضریب تشتک را در شرایطی که داده های موجود جهت طراحی شبکه ها کفایت می کنند، منسوخ سازد. چرا که نتایج حاصله از مدل ها به لحاظ شاخص های در نظر گرفته شده، به مراتب بهتر از زمانی بود که از جداول پیشنهادی سازمان فائو استفاده شد.