برآورد تبخیر- تعرق مرجع روزانه با استفاده از روش های داده کاوی رگرسیون بردار پشتیبان و مدل درختی M۵

تبخیر و تعرق یکی از اجزای اصلی چرخه هیدرولوژی است و تعیین صحیح آن برای بسیاری از مطالعات از قبیل توازن هیدرولوژیکی آب، طراحی و مدیریت سیستم های آبیاری، شبیه سازی میزان محصول و طراحی و مدیریت منابع آب از درجه اهمیت بالایی برخوردار است. خاصیت غیرخطی، عدم قطعیت ذاتی و نیاز به اطلاعات متنوع اقلیمی در برآورد تبخیر و تعرق از دلایلی بوده اند که باعث شده پژوهشگران به سوی روش های داده کاوی همچون درخت تصمیم (M۵) و رگرسیون بردار پشتیبان (SVR) روی آورند. در تحقیق حاضر دقت روش های مذکور در تخمین تبخیر و تعرق گیاه مرجع در مقایسه با روش های تجربی هارگریوز و تورنت وایت مورد مطالعه قرار گرفته است. بدین منظور، با استفاده از سری داده­ های هواشناسی سال های ۱۳۹۴-۱۳۷۱ ایستگاه سینوپتیک تبریز، ابتدا مقادیر تبخیر و تعرق روزانه گیاه مرجع از روش استاندارد فائو- پنمن- مونتیث محاسبه گردید. سپس با استفاده از این مقادیر به عنوان خروجی های هدف، ۱۷ سناریو مختلف از داده های هواشناسی که ترکیبی از حداقل داده شامل یک پارامتر تا حداکثر شش پارامتر هواشناسی بودند، توسط روش­ های مذکور ارزیابی گردید. در نهایت قابلیت روش­ های SVR وM۵  در برآورد تبخیر و تعرق گیاه مرجع با استفاده از داده های صحت­ سنجی مورد بررسی قرار گرفت. نتایج بررسی­ های آماری و دیاگرام تیلور نشان دادند که روش­ های SVR و M۵ در حالت در نظر گرفتن تمامی پارامترهای هواشناسی به ترتیب با دارا بودن جذر میانگین مربعات خطای ۳۹۸/۰ و ۴۱۱/۰ در مقایسه با روش های تجربی هارگریوز و تورنت وایت، نتایج بهتری در برآورد تبخیر و تعرق گیاه داشته ­اند.    

کلیدواژه ها:

Empirical Methods ، FAO-Penman-Monteith Method ، Machine Mearning Algorithms ، Reference Evapotranspiration ، تبخیر و تعرق گیاه مرجع ، روش های تجربی ، روش­های یادگیری ماشینی ، فائو- پنمن- مونتیث