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!
|
| _version_ | 1850240041146646528 |
|---|---|
| author | جوانشیر عزیزی مبصر علی رسولزاده امین اکبری مجد |
| author_facet | جوانشیر عزیزی مبصر علی رسولزاده امین اکبری مجد |
| author_sort | جوانشیر عزیزی مبصر |
| collection | DOAJ |
| description | 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. |
| format | Article |
| id | doaj-art-e949adbb79be47c2a30b15c770945d12 |
| institution | OA Journals |
| issn | 2251-6298 2382-9931 |
| language | fas |
| publishDate | 2025-05-01 |
| publisher | University of Tehran, College of Aburaihan |
| record_format | Article |
| series | مدیریت آب و آبیاری |
| spelling | doaj-art-e949adbb79be47c2a30b15c770945d122025-08-20T02:00:59ZfasUniversity of Tehran, College of Aburaihanمدیریت آب و آبیاری2251-62982382-99312025-05-0115118020510.22059/jwim.2025.383457.1182100213ارزیابی یادگیری ماشین و سنجش از دور در تخمین تبخیر و تعرق مرجعجوانشیر عزیزی مبصر0علی رسولزاده1امین اکبری مجد2گروه مهندسی آب دانشکده کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی، اردبیل، ایران.'گروه مهندسی آب، دانشکده کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی، اردبیل، ایران.گروه مهندسی آب، دانشکده کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی، اردبیل، ایران.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.https://jwim.ut.ac.ir/article_100213_668622f5bc773be0483e941dd5d74adc.pdfmlrrfsvmتبخیر و تعرق مرجعحوضه فاقد آماریادگیری ماشین |
| spellingShingle | جوانشیر عزیزی مبصر علی رسولزاده امین اکبری مجد ارزیابی یادگیری ماشین و سنجش از دور در تخمین تبخیر و تعرق مرجع مدیریت آب و آبیاری mlr rf svm تبخیر و تعرق مرجع حوضه فاقد آمار یادگیری ماشین |
| title | ارزیابی یادگیری ماشین و سنجش از دور در تخمین تبخیر و تعرق مرجع |
| title_full | ارزیابی یادگیری ماشین و سنجش از دور در تخمین تبخیر و تعرق مرجع |
| title_fullStr | ارزیابی یادگیری ماشین و سنجش از دور در تخمین تبخیر و تعرق مرجع |
| title_full_unstemmed | ارزیابی یادگیری ماشین و سنجش از دور در تخمین تبخیر و تعرق مرجع |
| title_short | ارزیابی یادگیری ماشین و سنجش از دور در تخمین تبخیر و تعرق مرجع |
| title_sort | ارزیابی یادگیری ماشین و سنجش از دور در تخمین تبخیر و تعرق مرجع |
| topic | mlr rf svm تبخیر و تعرق مرجع حوضه فاقد آمار یادگیری ماشین |
| url | https://jwim.ut.ac.ir/article_100213_668622f5bc773be0483e941dd5d74adc.pdf |
| work_keys_str_mv | AT jwạnsẖyrʿzyzymbṣr ạrzyạbyyạdgyrymạsẖynwsnjsẖạzdwrdrtkẖmyntbkẖyrwtʿrqmrjʿ AT ʿlyrswlzạdh ạrzyạbyyạdgyrymạsẖynwsnjsẖạzdwrdrtkẖmyntbkẖyrwtʿrqmrjʿ AT ạmynạḵbrymjd ạrzyạbyyạdgyrymạsẖynwsnjsẖạzdwrdrtkẖmyntbkẖyrwtʿrqmrjʿ |