ارزیابی یادگیری ماشین و سنجش از دور در تخمین تبخیر و تعرق مرجع
تبخیر و تعرق مرجع (ETo) یکی از اساسیترین متغیرها در تعیین نیاز آبی محصول و برنامهریزی و طراحی سامانههای آبیاری است. مدلهای یادگیری ماشین برای رفع محدودیتهای مدلهای تجربی و برآورد تبخیر تعرق (ET) توسعه داده شدهاند. در سالهای اخیر، محاسبه ET با استفاده از فناوریهای سنجش از دور توسعه و بهبود...
Saved in:
| Main Authors: | , , |
|---|---|
| Format: | Article |
| Language: | fas |
| Published: |
University of Tehran, College of Aburaihan
2025-05-01
|
| Series: | مدیریت آب و آبیاری |
| Subjects: | |
| Online Access: | https://jwim.ut.ac.ir/article_100213_668622f5bc773be0483e941dd5d74adc.pdf |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Summary: | تبخیر و تعرق مرجع (ETo) یکی از اساسیترین متغیرها در تعیین نیاز آبی محصول و برنامهریزی و طراحی سامانههای آبیاری است. مدلهای یادگیری ماشین برای رفع محدودیتهای مدلهای تجربی و برآورد تبخیر تعرق (ET) توسعه داده شدهاند. در سالهای اخیر، محاسبه ET با استفاده از فناوریهای سنجش از دور توسعه و بهبود یافته است. در این مطالعه برای تخمین تبخیر و تعرق مرجع در دشت اردبیل کارایی سه مدل جنگل تصادفی(RF)، رگرسیون خطی چندگانه (MLR) و ماشین بردار پشتیبان (SVM) بررسی شد. اطلاعات هواشناسی برای دادههای مدل از سال 1385 تا 1401 از طریق سنجش از دور و ایستگاههای سینوپتیک دریافت شد. ETo بهعنوان پارامتر هدف، با استفاده از روش فائو پنمن-مانتیث در محدوده پنج ایستگاه سینوپتیک محاسبه شد. در مرحله ساخت و آموزش مدلها، سریزمانی پارامترهای ورودی و هدف در محل چهار ایستگاه سینوپتیک و با تشکیل یک سری زمانی تصادفی و ترکیبی از کل دادهها انجام و در مرحله ارزیابی نهایی مدل، تنها از دادههای ایستگاه پنجم استفاده شد. آمارههای ارزیابی مورداستفاده، ، NSE و RMSE بودند. نتایج حاصل برای شاخصهای آماری، برای مدل RF بهترتیب برابر با 7/0، 558/0 و 76/10، برای SVM برابر 71/0، 1- و 6/13 و برای MLR 71/0، 688/0- و 21 بود که با مقایسه نتایج، مدل RF نسبت به سایر مدلها از دقت بالاتری برخوردار بود. مطالعه حاضر نشان داد که مدل جنگل تصادفی میتواند یک مدل مطمئن و نسبتاً دقیق برای پیشبینی ETo با استفاده از دادههای RS برای مناطق فاقد آمار باشد. |
|---|---|
| ISSN: | 2251-6298 2382-9931 |