COMPARATIVE PERFORMANCE OF GENERALIZED REGRESSION NEURAL NETWORK AND ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM MODELS FOR EVAPOTRANSPIRATION ESTIMATION IN DJELFA, ALGERIA

Abstract

Evapotranspiration (ET) is a critical component of the hydrological cycle, representing the sum of evaporation from the soil and transpiration from plants. Accurate estimation of ET is essential for effective water resource management, particularly in arid regions where water scarcity is a significant concern. The models that estimate ET using readily available meteorological data and those based on FAO-56 method gained popularity. Among these models, the Generalized Regression Neural Network (GRNN) and the Adaptive Neuro-Fuzzy Inference System (ANFIS) are widely used due to their ability to handle complex, nonlinear relationships between inputs and outputs. In this study, we compare the performance of GRNN and ANFIS models for estimating ET in the arid region of Djelfa, Algeria. By evaluating these models, we aim to determine the most accurate and reliable method for ET estimation in this challenging environment. The ANFIS model demonstrated moderate accuracy with RMSE values of 0.737, 0.650, and 0.698, and MAE values of 0.483, 0.438, and 0.462 for training, validation, and testing, respectively. Its R² and NSE values consistently around 0.904 to 0.919 indicate a strong correlation and good predictive performance. However, the GRNN model significantly outperformed ANFIS, achieving much lower RMSE values of 0.270, 0.222, and 0.217, and MAE values of 0.192, 0.147, and 0.145 across the same phases. The GRNN’s R² and NSE values were exceptionally high at 0.987 to 0.991, reflecting nearly perfect fit and predictive accuracy. Additionally, the GRNN’s lower RSR values and higher Willmott’s index further underscore its superior performance, making it a more precise and reliable tool for evapotranspiration estimation in the arid region of Djelfa, Algeria. الملخص: التبخر النتح هو مكون حاسم في الدورة الهيدرولوجية، حيث يمثل مجموع التبخر من التربة والنتح من النباتات. إن التقدير الدقيق للتبخر النتح أمر أساسي لإدارة الموارد المائية بشكل فعال، لا سيما في المناطق الجافة حيث تشكل ندرة المياه قضية هامة. اكتسبت النماذج التي تقدر التبخر النتح باستخدام البيانات المناخية المتاحة بسهولة والنماذج المعتمدة على طريقة منظمة الأغذية والزراعة -56 . من بين هذه النماذج، تعد الشبكة العصبية الانحدارية المعممة ونظام الاستدلال العصبي الفطري من النماذج المستخدمة على نطاق واسع بسبب قدرتها على التعامل مع العلاقات المعقدة وغير الخطية. في هذه الدراسة، نقارن أداء نماذج الشبكة العصبية الانحدارية المعممة والاستدلال العصبي الفطري في تقدير التبخر النتح في المنطقة الجافة بالجلفة، الجزائر. من خلال تقييم هذه النماذج، نهدف إلى تحديد الطريقة الأكثر دقة وموثوقية لتقدير التبخر النتح في هذا البيئة الصعبة. أظهر نموذج نظام الاستدلال العصبي الفطري دقة معتدلة مع قيم جذر متوسط مربع الخطأ قدرها 0.737 و0.650 و0.698، وقيم متوسط الخطأ المطلق قدرها 0.483 و0.438 و0.462 للتدريب، والتحقق، والاختبار على التوالي. وكانت قيم معامل التحديد وكفاءة ناش-سوتكليف حول 0.904 إلى 0.919 تشير إلى علاقة قوية وأداء تنبؤي جيد. ومع ذلك، تفوق نموذج الشبكة العصبية الانحدارية المعممة بشكل كبير على الاستدلال العصبي الفطري، محققًا قيم جذر متوسط مربع الخطأ أقل بكثير قدرها 0.270 و0.222 و0.217، وقيم متوسط الخطأ المطلق قدرها 0.192 و0.147 و0.145 عبر نفس المراحل. كانت قيم معامل التحديد وكفاءة ناش-سوتكليف لنموذج الشبكة العصبية الانحدارية المعممة مرتفعة للغاية تراوحت بين 0.987 إلى 0.991، مما يعكس توافقًا مثاليًا ودقة تنبؤية عالية. بالإضافة إلى ذلك، تشير قيم الخطأ المربع النسبي المنخفضة لنموذج الشبكة العصبية الانحدارية المعممة وارتفاع مؤشر ويل موت إلى أداءه المتفوق، مما يجعله أداة أكثر دقة وموثوقية لتقدير التبخر النتح في المنطقة الجافة بالجلفة، الجزائر