مقایسه عملکرد مدل های GLM، RF وDL در برآورد تبخیر-تعرق گیاه مرجع در ایستگاه سینوپتیک زابل
- سال انتشار: 1399
- محل انتشار: پژوهشنامه مدیریت حوزه آبخیز، دوره: 11، شماره: 22
- کد COI اختصاصی: JR_JWMR-11-22_018
- زبان مقاله: فارسی
- تعداد مشاهده: 230
نویسندگان
payam nour university of zabol
shiraz university
چکیده
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 عمیقاطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.