Evaporation is a primary component of the hydrological cycle, water resources management and forward planning. The succeed management for the dam system is based on the accurate prediction of the reservoir evaporation magnitude. Physical models applied in the prediction of evaporation can encounter obstacles in respect to accurate estimations of evaporation due to the inherent challenges in respect to the mathematical procedure that could fail to address the natural processes and initial conditions that drive the evaporation patterns. To address these limitations, the present study aims to design a new model using the modified Coactive Neuro-Fuzzy Inference System (CANFIS) algorithm to improve feature extraction process in a purely data-driven model. The new approach comprised of the adjustments made to the back-propagation algorithm, allowing the automatic updating of the membership rules and hence, providing the center-weighted set rather than the global weight sets for input-target feature mapping. The predictive ability of the modified CANIFIS model is benchmarked in respect to the conventional ANFIS, SVR and RBF-NN model by statistical performance metrics. To explore its efficiency, the modified CANFIS method is applied for evaporation prediction in two diverse climatic environments. The results revealed the superiority of the modified CANFIS model for evaporation prediction in both Aswan High Dam (AHD) and Timah Tasoh Dam (TTD). The statistical indicators supported the better performance of the modified CANFIS model, which significantly outperforms other proposed models to attain relative error value less than (23% for AHD, 20% for TTD), MAE (12.72 mm month⁻¹ for AHD, 7.63 mm month⁻¹ for TTD), RMSE (15.42 mm month⁻¹ for AHD, 8.53 mm month⁻¹ for TTD) and a relative large coefficient of determination (0.96 for AHD, 0.91 for TTD).

蒸发是水文循环，水资源管理和前瞻性计划的主要组成部分。大坝系统的成功管理基于对储层蒸发量的准确预测。由于对数学程序的固有挑战可能无法解决驱动蒸发模式的自然过程和初始条件，因此用于蒸发预测的物理模型在准确估计蒸发方面会遇到障碍。为了解决这些局限性，本研究旨在设计一种使用改进的协同神经模糊推理系统（CANFIS）算法的新模型，以改善纯数据驱动模型中的特征提取过程。新方法包括对反向传播算法的调整，允许自动更新成员资格规则，从而为输入目标特征映射提供中心加权集而不是全局权重集。通过统计性能指标，相对于常规ANFIS，SVR和RBF-NN模型，对改进的CANIFIS模型的预测能力进行了基准测试。为了探索其效率，将改进的CANFIS方法应用于两种不同气候环境中的蒸发预测。结果表明，改进的CANFIS模型在阿斯旺高坝（AHD）和蒂玛·塔索水坝（TTD）的蒸发预测中均具有优势。统计指标支持改进的CANFIS模型的更好性能，该模型明显优于其他提议的模型，以实现相对误差值小于（MAD为23％，TTD为20％），MAE（每月12.72毫米）为输入目标特征映射提供中心加权集而不是全局权重集。通过统计性能指标，相对于常规ANFIS，SVR和RBF-NN模型，对改进的CANIFIS模型的预测能力进行了基准测试。为了探索其效率，将改进的CANFIS方法应用于两种不同气候环境中的蒸发预测。结果表明，改进的CANFIS模型在阿斯旺高坝（AHD）和蒂玛·塔索水坝（TTD）的蒸发预测中均具有优势。统计指标支持改进的CANFIS模型的更好性能，该模型明显优于其他提议的模型，以实现相对误差值小于（MAD为23％，TTD为20％），MAE（每月12.72毫米）为输入目标特征映射提供中心加权集而不是全局权重集。通过统计性能指标，相对于常规ANFIS，SVR和RBF-NN模型，对改进的CANIFIS模型的预测能力进行了基准测试。为了探索其效率，将改进的CANFIS方法应用于两种不同气候环境中的蒸发预测。结果表明，改进的CANFIS模型在阿斯旺高坝（AHD）和蒂玛·塔索水坝（TTD）的蒸发预测中均具有优势。统计指标支持改进的CANFIS模型的更好性能，该模型明显优于其他提议的模型，以实现相对误差值小于（MAD为23％，TTD为20％），MAE（每月12.72毫米）通过统计性能指标，相对于常规ANFIS，SVR和RBF-NN模型，对改进的CANIFIS模型的预测能力进行了基准测试。为了探索其效率，将改进的CANFIS方法应用于两种不同气候环境中的蒸发预测。结果表明，改进的CANFIS模型在阿斯旺高坝（AHD）和蒂玛·塔索水坝（TTD）的蒸发预测中均具有优势。统计指标支持改进的CANFIS模型的更好性能，该模型明显优于其他提议的模型，以实现相对误差值小于（MAD为23％，TTD为20％），MAE（每月12.72毫米）通过统计性能指标，相对于常规ANFIS，SVR和RBF-NN模型，对改进的CANIFIS模型的预测能力进行了基准测试。为了探索其效率，将改进的CANFIS方法应用于两种不同气候环境中的蒸发预测。结果表明，改进的CANFIS模型在阿斯旺高坝（AHD）和蒂玛·塔索水坝（TTD）的蒸发预测中均具有优势。统计指标支持改进的CANFIS模型的更好性能，该模型明显优于其他提议的模型，以实现相对误差值小于（MAD为23％，TTD为20％），MAE（每月12.72毫米）改进的CANFIS方法可用于两种不同气候环境中的蒸发预测。结果表明，改进的CANFIS模型在阿斯旺高坝（AHD）和蒂玛·塔索水坝（TTD）的蒸发预测中均具有优势。统计指标支持改进的CANFIS模型的更好性能，该模型明显优于其他提议的模型，以实现相对误差值小于（MAD为23％，TTD为20％），MAE（每月12.72毫米）改进的CANFIS方法可用于两种不同气候环境中的蒸发预测。结果表明，改进的CANFIS模型在阿斯旺高坝（AHD）和蒂玛·塔索水坝（TTD）的蒸发预测中均具有优势。统计指标支持改进的CANFIS模型的更好性能，该模型明显优于其他提议的模型，以实现相对误差值小于（MAD为23％，TTD为20％），MAE（每月12.72毫米）^-1用于AHD，7.63毫米月^-1对于TTD），RMSE（15.42毫米月^-1为AHD，8.53毫米月^-1对于TTD）和TTD的相对大系数确定的（0.96 AHD，0.91）。