مقایسه عملکرد مدل های GLM، RF وDL در برآورد تبخیر-تعرق گیاه مرجع در ایستگاه سینوپتیک زابل

   تبخیر- تعرق یکی از مهم­ترین اجزای چرخه هیدرولوژی برای برنامه­ریزی سیستم ­های آبیاری و ارزیابی اثرات هیدرولوژی تغییر اقلیم است و تعیین صحیح آن برای بسیاری از مطالعات از قبیل توازن هیدرولوژیکی آب، طراحی شبکه­ های آبیاری و زهکشی، شبیه­ سازی میزان محصولات و طراحی و بهینه ­سازی منابع آب از اهمیت بالایی برخوردار است. خاصیت غیرخطی، عدم قطعیت ذاتی و نیاز به اطلاعات متنوع اقلیمی در برآورد تبخیر وتعرق از دلایلی بوده­اند که باعث شده پژوهشگران از روش­های مبتنی­بر هوش مصنوعی استفاده نمایند. در این تحقیق جهت برآوردی دقیق از مقدار تبخیر-تعرق مرجع روزانه بین سال­های ۲۰۱۸-۲۰۰۹ در شهرستان زابل در شمال استان سیستان و بلوچستان ابتدا براساس روش استاندارد و متداول فائو- پنمن- مونتیث و داده ­های هواشناسی ایستگاه سینوپتیک زابل مقدار تبخیر-تعرق مرجع مرجع ETo  محاسبه و سپس با ارائه سناریوهای مختلفی از ترکیب پارامترهای هواشناسی شامل دمای حداکثر، دمای حداقل، دمای میانگین، رطوبت حداکثر، رطوبت حداقل، رطوبت میانگین، بارش، ساعات آفتابی، سرعت باد و تبخیر به­ عنوان ورودی مدل­های یادگیری عمیق، جنگل تصادفی و مدل خطی تعمیم ­یافته در مقیاس زمانی روزانه سعی در برآورد دقیق­ تری از تبخیر- تعرق مرجع به ­عنوان خروجی مدل شده است. در برآورد تبخیر و تعرق روزانه در مدل­های مذکور، ۲۵ سناریو از ترکیب داده ­های هواشناسی انتخاب گردید و برای ارزیابی مدل­ها از  روش فائو-پنمن- مانتیث استفاده شد. دربین سناریوهای مورد بررسی، سناریوی M۵ (دمای حداکثر، دمای حداقل، دمای میانگین، رطوبت حداکثر، رطوبت حداقل، رطوبت میانگین، سرعت باد و تبخیر از تشت) برای مدل یادگیری عمیق با ریشه میانگین مربعات خطا (۰/۵۱۷) میلی­متر بر روز و بیشترین ضریب همبستگی (۹۹۶۰ بهترین عملکرد را در بین مدل­های فوق داشتند. همچنین مدل یادگیری عمیق دقت و پایداری بیشتری نسبت به دیگر مدل­ها نشان دادند. بنابراین این تحقیق مدل یادگیری عمیق را برای برآورد تبخیر و تعرق گیاه مرجع در شهر زابل توصیه می­ کند.

کلیدواژه ها:

Deep Learning ، Evapotranspiration ، FAO-Penman-Monteith ، Uncertainty ، تبخیر و تعرق ، عدم قطعیت ، فائو-پنمن- مانتیث ، یادگیری عمیق