DEBBAR OumaimaAOUIN Mohammed Salah2025-07-162025-07-162025DEBBAR Oumaima ; AOUIN Mohammed Salah.Generalized Neural Network for Precise Evapotranspiration Estimation: A Solution for Water-Scarce Agriculture in Mila, Algeria.2master. Design and diagnosis of drinking water supply and sanitation .2025.faculty of technology .University of Shahid Hama Lakhdar - El Oued.https://dspace.univ-eloued.dz/handle/123456789/38681Master's theses: specializing in Design and diagnosis of drinking water supply and sanitationThis research addresses the growing challenge of water scarcity in Mila, Algeria, and its impact on agricultural sustainability. The primary objective is to develop a robust and accurate model for estimating reference evapotranspiration (ET₀), a critical variable for irrigation planning. The study employs a Generalized Regression Neural Network (GRNN) model, trained on limited climatic data, and uses the FAO Penman-Monteith method as a benchmark for validation. The methodology involved data collection from 2000 to 2024, model training with a three-way data split (training, validation, testing), and performance evaluation using statistical metrics including RMSE, MAE, R², NSE, and Willmott’s index. Results indicate that the GRNN model achieved excellent predictive performance (R² ≈ 0.96, RMSE < 0.4), demonstrating its ability to generalize well and operate effectively under data-scarce conditions. This confirms the potential of machine learning models to support smart irrigation strategies and enhance water use efficiency in semi-arid regions. يتناول هذا البحث مشكلة شح المياه المتزايدة في ولاية ميلة بالجزائر وتأثيرها المباشر على استدامة الزراعة. يهدف العمل أساسًا إلى تطوير نموذج دقيق وفعّال لتقدير التبخر-النتح المرجعي (ET₀) ، باعتباره عنصراً أساسيا في تخطيط الري. تم اعتماد نموذج الشبكة العصبية الانحدارية المعممة (GRNN) ، الذي تم تدريبه باستخدام بيانات مناخية محدودة، مع اعتماد معادلة بنمان-مونتيث الصادرة عن منظمة الفاو كمرجع للمقارنة. شملت المنهجية جمع بيانات مناخية للفترة الممتدة من 2000 إلى 2024 ، وتقسيم البيانات إلى ثلاث مجموعات )تدريب، تحقق، اختبار(، وتقييم أداء النموذج باستخدام مؤشرات إحصائية مثل RMSE و MAE و R² و NSE ومؤشر الاتفاق لويلموت. أظهرت النتائج أن النموذج حقق أداءً تنبؤيا ممتاز اً (R² ≈ 0.96 و RMSE < 0.4) ، مما يبرز قدرته على التعميم والعمل بكفاءة في ظل محدودية البيانات. تؤكد هذه النتائج فعالية استخدام نماذج الذكاء الاصطناعي في دعم استراتيجيات الري الذكي وتعزيز كفاءة استعمال المياه في المناطق شبه الجافة . الكلماتenReference evapotranspirationGRNNMachine learningirrigation managementwater scarcity.التبخر-النتح المرجعي، GRNN ، تعلم الآلة، إدارة الري، شح المياهmaster