انجمن هواشناسی ایران هواشناسی و علوم جوّ 2645-7261 7 2 2024 12 21 Comparison of the Performance of Machine Learning Algorithms MLP, RF, and GPR in Evaporation Prediction: A Case Study of Ahvaz مقایسه عملکرد الگوریتم‌های یادگیری ماشین MLP، RF و GPR در پیش‌بینی تبخیر: مطالعه موردی اهواز 1 19 237772 10.22034/jmas.2025.534726.1246 FA محمد پرویز پور کشت و صنعت نیشکر دهخدا، خوزستان، اهواز پیام زالی کاکش کشت و صنعت نیشکر دهخدا، خوزستان، اهواز حکیم ناصری کشت و صنعت نیشکر دهخدا، خوزستان، اهواز زینب حمید دانشگاه شهید چمران اهواز، دانشکده مهندسی آب و محیط زیست Journal Article 2025 07 15 Evaporation is a fundamental process in the hydrological cycle. In warm climates, water losses due to evaporation from rivers, canals, and open-water surfaces represent a significant challenge; therefore, the application of reliable predictive models is essential. This study evaluates the performance of three advanced models—Multilayer Perceptron (MLP) neural network, Random Forest (RF) algorithm, and Gaussian Process Regression (GPR)—for predicting evaporation. Six years of daily meteorological data, including mean wind speed, mean air temperature, mean relative humidity, and evaporation, recorded at the Dehkhoda Agro-Industrial meteorological station in Ahvaz, were used. Model predictions were compared against observed values, and all analyses were conducted in MATLAB 2022. Evaluation metrics, including the coefficient of determination (R²) and root mean square error (RMSE), revealed that the MLP model achieved the highest accuracy during the training stage (R² = 0.92, RMSE = 1.44), outperforming the validation (R² = 0.87, RMSE = 1.77) and testing (R² = 0.91, RMSE = 1.68) stages. The overall performance of the MLP model (R² = 0.93, RMSE = 1.40) confirmed its high predictive capability. The overall results for the RF and GPR models were R² = 0.93, RMSE = 1.41, and R² = 0.93, RMSE = 1.42, respectively, indicating that all three models demonstrated high accuracy in predicting evaporation. Based on these findings, the MLP model is recommended as the primary approach for evaporation prediction, followed by RF and GPR تبخیر یکی از فرایندهای اصلی چرخه هیدرولوژیکی است. در اقلیم‌های گرم، تلفات آب ناشی از تبخیر از رودخانه‌ها، کانال‌ها و سطوح آزاد آبی عاملی حیاتی است، لذا استفاده از مدل‌های پیش‌بینی در این زمینه امری ضروری است. در این تحقیق کارایی سه مدل پیشرفته شبکه عصبی پرسپترون، الگوریتم جنگل تصادفی و رگرسیون فرایند گاوسی در پیش‌بینی پارامتر تبخیر مورد بررسی قرار گرفت. بدین منظور از اطلاعات روزانه میانگین سرعت باد ، میانگین دما، میانگین رطوبت نسبی و تبخیر در یک دوره شش ساله ایستگاه اقلیم‌شناسی کشت و صنعت دهخدا اهواز استفاده شد؛ سپس خروجی مدل‌ها با داده‌های اندازه‌گیری شده مقایسه شد. تجزیه‌وتحلیل توسط نرم‌افزار متلب 2022 انجام شد. نتایج ارزیابی عملکرد مدل‌ها همانند R2، RMSE، نشان داد که در مدل پرسپترون داده‌ها در مرحله آموزش (R2=0.92) و(RMSE=1.44) عملکرد بهتری نسبت به صحت سنجی (R2=0.87) و (RMSE=1.77) و آزمون(R2=0.91) و (RMSE=1.68) دارد، همچنین نتایج ارزیابی کلی مدل (R2=093) و (RMSE=1.40) نشانگر دقت بالای مدل در شبیه‌سازی تبخیر است؛ در الگوریتم جنگل تصادفی و رگرسیون فرایند گاوسی نتایج ارزیابی به ترتیب (R2=093) و (RMSE=1.41)، (R2=093) و (RMSE=1.42) بود که نشان‌دهنده دقت بالای سه مدل برای پیش‌بینی تبخیر است؛ بنابراین می‌توان از مدل شبکه عصبی مصنوعی پرسپترون (MLP) در مرتبه اول، الگوریتم جنگل تصادفی در مرتبه دوم و در مرتبه سوم از رگرسیون فرایند گاوسی جهت پیش‌بینی تبخیر استفاده کرد. https://www.ims-jmas.net/article_237772_f7f29ac5ed53c8dacdbe34ac664393d4.pdf